Beschäftigte, die KI nutzen, berichten, dass sie ihnen rund 11 Stunden pro Woche spart — mehr als ein Viertel der Arbeitswoche — und dennoch sagen nur 13 %, dass ihre Organisation dadurch deutlich besser abschneidet (Glean Work AI Index, 2026). Halten Sie diese beiden Zahlen nebeneinander. Die Zeitersparnis ist real und groß. Das Geschäftsergebnis ist nahezu abwesend. Diese Lücke ist der wichtigste Befund des Jahres zur KI-Produktivität, und sie ist kein Messfehler. Sie ist der Ort, an den die Stunden verschwinden.
Sie verschwinden in etwas, das die Forscher von Glean getauft haben: Botsitting. In einer Befragung von 6.000 vollzeitbeschäftigten Wissensarbeitern in den USA, Großbritannien und Australien — durchgeführt mit Forschenden aus Stanford, UC Berkeley und Harvard — gaben die Beschäftigten an, im Schnitt 6,4 Stunden pro Woche damit zu verbringen, ihre KI-Werkzeuge zu beaufsichtigen, zu korrigieren, Prompts neu zu formulieren und hinter ihnen aufzuräumen (Glean / BusinessWire, 2026). Das ist fast ein ganzer Arbeitstag, jede Woche, damit verbracht, das Werkzeug zu hüten, das diesen Tag eigentlich zurückgeben sollte. Für einen Head of Operations lautet die Schlagzeile nicht „KI spart 11 Stunden". Sie lautet „KI spart 11 Stunden und stellt Ihnen still 6 davon in Rechnung — und Sie verbuchen wahrscheinlich weder die einen noch die anderen."
Die Zahl, die Sie stoppen sollte: 11 Stunden hinein, 13 % heraus
Die meisten KI-Business-Cases bauen auf der ersten Zahl auf und setzen die zweite stillschweigend voraus. Das Versprechen lautet: gesparte Stunden pro Lizenz, multipliziert mit der Belegschaft, verbucht als freigesetzte Kapazität. Der Work AI Index zertrümmert diese Arithmetik in einer Zeile: 75 % der Wissensarbeiter sagen, KI steigere ihre Produktivität, aber nur 13 % sagen, sie habe die Leistung ihres Unternehmens deutlich verbessert (CIO Dive, 2026). Die individuelle Produktivität wird nahezu universell gespürt. Die organisationale Leistung bewegt sich bei etwa einem von acht Unternehmen.
Die Versuchung ist, diese 13 % als Adoptionsproblem zu lesen — nicht genug Lizenzen, nicht genug Schulung, gib ihm noch ein Quartal. Die Daten weisen in die andere Richtung. Die Adoption ist bereits hoch; die gefühlte Produktivität ist bereits da. Was fehlt, ist die Umwandlung der individuellen Zeitersparnis in Arbeit, die die Organisation tatsächlich nutzen kann. Die Stunden werden am Schreibtisch gespart und im System verloren. Ein Head of Operations, der die nächste Lizenz-Tranche auf Grundlage der 11-Stunden-Zahl finanziert, kauft mehr von dem Input, der sich bereits nicht umwandelt.
Das ist die Disziplin, die die Zahl verlangt: KI nicht länger an den Stunden zu messen, die Einzelne angeblich gespart haben, sondern an der Arbeit, die die Organisation geliefert hat und die sie zuvor nicht hätte liefern können. Die erste Kennzahl ist selbstberichtet und schmeichelhaft. Die zweite ist die einzige, die Ihre Gewinn- und Verlustrechnung je sehen wird.
Was „Botsitting" wirklich ist
Botsitting ist die unglamouröse Arbeit, den Output einer KI nutzbar zu machen: ihr den fehlenden Kontext zu liefern, ihre Antworten zu prüfen, ihre Fehler zu beheben, Prompts erneut auszuführen, zwischen Systemen zu wechseln, um zusammenzusetzen, was sie selbst nicht zusammensetzen konnte, und das selbstsicher-aber-falsche Material umzuschreiben, das sie produziert. Gleans Formulierung ist unverblümt: Für jede Stunde, die ein Mitarbeiter aufwendet, um einen nützlichen Output aus KI zu bekommen, wendet er eine weitere auf, um ihn nutzbar zu machen (CIO Dive, 2026). Mit 6,4 Stunden pro Woche verschlingt Botsitting rund 37 % der gesamten KI-Zeit, etwas mehr, als die Beschäftigten tatsächlich damit verbringen, KI zur Arbeit zu nutzen (AIwire, 2026).
Die Kosten sind nicht nur die verlorenen Stunden. Es ist, was geschieht, wenn die Menschen aufhören, sie zu zahlen. Der Bericht benennt ein zweites Verhalten — Botshitting — das Ausliefern KI-generierter Arbeit, die der Mitarbeiter nicht tatsächlich geprüft hat. Der Frühwarnindikator liegt in der Prüfquote: Nur 69 % der Beschäftigten sagen, sie überprüften die Empfehlungen der KI (CIO Dive, 2026). Lesen Sie das als operatives Risikoregister, nicht als Kuriosität. Etwa drei von zehn KI-Outputs gelangen ohne menschliche Prüfung in Ihr Arbeitsprodukt. Manche davon sind in Ordnung. Manche sind die selbstsicher-aber-falschen Antworten, zu deren Abfangen Botsitting existiert, die nun direkt in ein Kundenlieferobjekt, eine Prognose oder ein Compliance-Dokument fließen. Die Stunden, die Ihr Team spart, indem es kein Botsitting betreibt, verschwinden nicht; sie wandeln sich in latente Nacharbeit und Fehlerrisiko, das später, weiter stromabwärts und teurer zutage tritt.
Warum mehr Lizenzen und mehr Prompt-Schulung das Ziel verfehlen
Die instinktiven Reaktionen auf einen enttäuschenden KI-Rollout sind, mehr Lizenzen zu kaufen oder Menschen besseres Prompten beizubringen. Beide verfehlen, was der Work AI Index als die entscheidende Beschränkung identifiziert. Die eigene Schlagzeile des Berichts benennt sie: fehlender Kontext frisst die Gewinne auf (Glean / BusinessWire, 2026). Der Engpass ist nicht, wie geschickt ein Arbeiter die Anfrage formuliert. Es ist, ob die KI die Informationen erreichen kann, die sie für eine gute Antwort braucht — die Dokumente, die Systeme of Record, das institutionelle Wissen, eingeschlossen in Werkzeugen, mit denen sie nie verbunden wurde.
Das formuliert das gesamte Problem neu. Ein perfekt geschulter Prompter, der eine KI abfragt, die die relevanten Daten nicht sehen kann, erhält dennoch eine oberflächliche, generische oder falsche Antwort — und verbringt dann die Botsitting-Stunde damit, den Kontext, den das Werkzeug nicht erreichen konnte, von Hand zu rekonstruieren. Besseres Prompten schließt keine Zugangslücke; es erzeugt nur artikuliertere Anfragen in dieselbe Leere. Mehr Lizenzen vervielfachen dieselbe Beschränkung auf mehr Menschen. Der Hebel, auf den die Befragung zeigt, liegt stromaufwärts von beidem: die Informationsarchitektur: welche Daten und Systeme Ihre KI tatsächlich abrufen darf und kann.
Prompt-Geschick ist ein Arbeiterproblem. Kontextzugang ist ein Operations-Problem.
Diese Unterscheidung ist wichtig, weil sie die Verantwortung verlagert. Wäre der Engpass Prompt-Geschick, läge die Lösung bei den einzelnen Arbeitern und der Weiterbildung. Weil der Engpass Kontextzugang ist, liegt die Lösung bei demjenigen, der steuert, wie Systeme sich verbinden und worauf die KI zugreifen darf — also bei Operations und IT, nicht beim Endnutzer. Die Arbeit, Datenquellen zu kartieren, Silos abzubauen und KI in echtem Unternehmenskontext zu verankern, ist genau die Art systemübergreifender Klempnerei, die ein Head of Operations steuert und die ein Prompt-Engineering-Workshop nicht anrühren kann. Die Unternehmen, die vorausziehen, so der Bericht, sind jene, die KI in echtem Unternehmenskontext verankern und sie an Geschäftsergebnissen statt an Lizenzzahlen messen.
Die Exponierung des Mid-Market
Das trifft das Unternehmen mit 100 bis 500 Mitarbeitenden am härtesten, und das nicht zufällig. Großkonzerne haben Budgets für Datenintegration, interne Plattformteams und eine Governance-Funktion, deren Aufgabe es ist, Systeme zu verbinden. Der Mid-Market betreibt einen dünneren Stack: mehr unverbundene Einzelwerkzeuge, weniger Integrationsverantwortliche und einen KI-Rollout, der als Lizenzen gekauft statt als Infrastruktur gebaut wurde. Die Botsitting-Steuer ist regressiv — sie lastet am schwersten auf den Organisationen, die am schlechtesten ausgestattet sind, sie zu sehen, weil sie die geringste Instrumentierung haben, um die 6 Stunden pro Woche zu bemerken, die aus dem Kalender jedes KI-Nutzers entweichen.
Für einen 200-Mitarbeiter-Betrieb häuft sich die Exponierung still an. Kaufen Sie 150 KI-Lizenzen, feiern Sie die 11 Stunden, die jeder zu sparen angibt, und verbuchen Sie eine Zahl jenseits von 1.600 Stunden pro Woche an „freigesetzter Kapazität", die nie im Durchsatz erscheint. Unterdessen absorbieren dieselben 150 Menschen nahezu 1.000 Stunden pro Woche an unverbuchtem Botsitting, und etwa ein Drittel ihres KI-Outputs wird ungeprüft ausgeliefert. Nichts davon steht auf einem Dashboard, weil der Rollout als Produktivitätskauf konzipiert wurde, nicht als operative Veränderung. Das erste Mal, dass es sichtbar wird, ist, wenn die freigesetzte Kapazität ausbleibt und jemand fragt, wohin der KI-ROI verschwunden ist.
Das Audit vor der nächsten Lizenz
Der hebelstärkste Schritt für dieses Quartal ist kein neues Werkzeug und kein größerer Vertrag. Es ist ein Audit dessen, was Ihre KI tatsächlich erreichen kann — durchgeführt, bevor Sie die nächste Lizenz finanzieren, nicht danach. Drei konkrete Schritte.
Kartieren Sie den Kontextzugang gegen Ihre echte Arbeit. Stellen Sie sich für die wenigen Aufgaben, bei denen Sie am meisten KI-Hebel wollen, eine wörtliche Frage: Kann das Werkzeug die Dokumente, Datensätze und Systeme abrufen, die ein kompetenter Mensch heranziehen würde, um es gut zu machen? Überall, wo die Antwort nein lautet, haben Sie einen Botsitting-Generator lokalisiert — eine Stelle, an der das Werkzeug eine schwache Antwort produziert und eine Person eine Stunde damit verbringt, den Kontext von Hand wieder aufzubauen. Diese Lücken, nicht Ihre Prompt-Vorlagen, sind das Backlog.
Instrumentieren Sie Botsitting und Prüfung als stehende Kennzahlen. Sie können keine Kosten von 6,4 Stunden pro Woche steuern, die Sie nicht messen. Stellen Sie Ihren KI-Nutzern wiederkehrend zwei Fragen: Wie viel Zeit geht in Korrektur, Neuformulierung von Prompts und Zusammenbau rund um das Werkzeug, und welcher Anteil des KI-Outputs erreicht das Arbeitsprodukt ohne menschliche Prüfung? Die erste Zahl ist Ihre verborgene Arbeitszeile. Die zweite ist Ihr Fehlerrisiko. Verfolgen Sie beide, und das Gespräch über KI-ROI bewegt sich von der Anekdote zur Instrumentierung.
Knüpfen Sie den nächsten Kauf an Kontext, nicht an die Lizenznachfrage. Bevor Sie weitere Lizenzen genehmigen, verlangen Sie eine Antwort: Was haben wir seit der letzten Tranche am Datenzugang geändert? Wenn nichts, werden mehr Lizenzen dasselbe Umwandlungsversagen zu höheren Kosten reproduzieren. Ein weiteres System of Record an Ihre bestehenden Lizenzen anzubinden, wird nach dieser Evidenz mehr einbringen als die Lizenzen auf demselben unverbundenen Stack zu verdoppeln.
Hier hört Talent- und Operations-Intelligence auf, eine Werkzeugkategorie zu sein, und wird zu einer operativen Praxis. Bei Scovai ist der rote Faden unserer gesamten Arbeit, dass Entscheidungen auf objektivem und nachvollziehbarem Signal ruhen sollten — und ein KI-Rollout ist keine Ausnahme. Ein Werkzeug, verankert in dem Kontext, den Ihre Arbeit wirklich braucht, gibt Netto-Stunden zurück. Ein Werkzeug, dem dieser Kontext fehlt, gibt dieselbe Arbeit zurück, umetikettiert als Aufsicht.
Die Entscheidung dieses Quartals
Hier ist die eine Entscheidung, die vor Quartalsende zu treffen ist, und sie kostet nichts außer Ehrlichkeit. Nehmen Sie Ihren KI-Rollout und beantworten Sie eine Frage: Messen wir ihn an den Stunden, die Einzelne angeblich gespart haben, oder an der Arbeit, die die Organisation geliefert hat und zuvor nicht hätte liefern können? Wenn Ersteres, verfolgen Sie die 11-Stunden-Zahl, die schmeichelt, und ignorieren die 6,4-Stunden-Zahl, die in Rechnung stellt. Ändern Sie die Kennzahl, führen Sie das Kontextzugang-Audit durch und setzen Sie Botsitting und Prüfung auf ein Dashboard, bevor Sie eine weitere Lizenz genehmigen. Die Unternehmen, die KI als lizenzzahl-getriebenen Kauf behandeln, werden sich weiter fragen, warum die gefühlte Produktivität nie die Gewinn- und Verlustrechnung erreicht. Jene, die sie als Problem der Informationsarchitektur behandeln, werden die Stunden finden, die ihnen versprochen wurden — und aufhören, die Steuer zu zahlen, die sie nicht sehen konnten.
