Workslop: Wenn KI fertige Arbeit liefert, die andere erst prüfen müssen

Ein Bericht ist in wenigen Minuten erstellt. Er hat eine Einleitung, saubere Zwischenüberschriften und eine Empfehlung am Ende. Nur: Die Zahlen sind nicht nachvollziehbar, zwei Annahmen widersprechen sich und ausgerechnet die Frage, über die entschieden werden soll, bleibt offen. Der Verfasser hat Zeit gespart. Seine Kollegin muss jetzt herausfinden, was davon überhaupt verwendbar ist.

Für solche Ergebnisse hat sich ein Begriff verbreitet: Workslop. Gemeint sind überwiegend KI-generierte Arbeitsprodukte, die fertig aussehen, ihre eigentliche Aufgabe aber nicht erfüllen. Das Phänomen ist nicht mit jeder schlechten KI-Antwort gleichzusetzen. Interessant wird es dort, wo unfertige Denkarbeit als fertiges Arbeitsergebnis an andere übergeht. Wer dann prüft, nachfragt oder neu anfängt, taucht in der Erfolgsmeldung über den schnellen Entwurf häufig nicht auf.

Wie verbreitet diese Erfahrung ist, lässt sich bislang nur eingeschränkt sagen. Dass sie eine echte Organisationsfrage aufwirft, lässt sich dagegen gut erklären: KI verändert nicht bloß die Herstellung von Informationen. Sie verändert auch, wer die Kosten dafür trägt, dass aus einem Text verlässliche Arbeitsgrundlagen werden.

Was die neue Workslop-Forschung tatsächlich zeigt

Im Februar 2026 veröffentlichten Alex Liebscher und weitere Forschende eine Untersuchung unter 962 vollzeitbeschäftigten US-Büroangestellten. Nach eigener Auskunft hatten 52,7 Prozent zumindest gelegentlich selbst Inhalte weitergegeben, die sie als Workslop einordneten. 38 Prozent berichteten, derartige Ergebnisse von Kollegen oder Teammitgliedern erhalten zu haben. Für Beschäftigte, die damit umgehen mussten, beziffert die Untersuchung den zusätzlichen Aufwand für Verstehen, Abstimmen, Überarbeiten oder Neuerstellen auf durchschnittlich rund 3,4 Stunden im Monat.

Die Werte sind bemerkenswert, aber sie sind kein Beweis dafür, dass KI die Produktivität in Unternehmen insgesamt senkt. Die Teilnehmenden ordneten fremde und eigene Arbeit selbst ein. Ob ein Dokument objektiv schlechter war, wie viel Zeit tatsächlich verloren ging und was ohne KI passiert wäre, wurde nicht experimentell verglichen. Die Studie ist außerdem ein Preprint. Ihre Zahlen sind ein ernst zu nehmendes Wahrnehmungs- und Belastungssignal, keine volkswirtschaftliche Schadensrechnung.

Schon 2025 hatten BetterUp Labs und das Stanford Social Media Lab mit einer früheren US-Befragung die Debatte angestoßen. Auch dort berichteten Beschäftigte von erheblichem Korrekturaufwand. Beide Untersuchungen stammen jedoch aus demselben Forschungsumfeld. Wer sie als zwei voneinander unabhängige Bestätigungen derselben Häufigkeit zählt, überschätzt die Evidenz. Zudem ist BetterUp kommerzieller Anbieter von Lösungen für Personalentwicklung. Das entwertet die Ergebnisse nicht, ist für ihre Einordnung aber relevant.

Der eigentliche Fehler liegt oft in der Übergabe

Man kann einen Text selbst schlecht formulieren. Man kann wichtige Daten vergessen oder unklare Aufträge falsch verstehen. Dafür braucht es keine KI. Workslop wird besonders dann zum Problem, wenn die äußere Form den tatsächlichen Bearbeitungsstand verschleiert. Ein Dokument, das nach Entscheidungsvorlage aussieht, wandert mit anderen Erwartungen durch die Organisation als eine ausdrücklich offene Ideensammlung.

Ein kleines, hypothetisches Beispiel: Eine Mitarbeiterin soll drei Anbieter vergleichen. Der Assistent erzeugt eine Tabelle mit Funktionsumfang, Preisen und einer eindeutigen Empfehlung. Statt die Preisangaben auf Aktualität und Vergleichbarkeit zu kontrollieren, leitet sie das Dokument an den Einkauf weiter. Dort beginnt die Arbeit von vorn. Jemand muss Vertragsmodelle auseinanderhalten, Quellen nachfordern und die entscheidenden Anforderungen ergänzen. Die erste Person hat eine Aufgabe abgeschlossen; der Prozess noch lange nicht.

Die Reibung entsteht aus einer falschen Statusmeldung. Erstellt wird mit geprüft verwechselt, plausibel mit belegt, und weitergeleitet mit bearbeitbar. Diese Unterschiede existierten schon vor generativer KI. Wenn das Erzeugen einer überzeugenden Oberfläche viel billiger wird, werden sie nur schwerer zu übersehen.

Bei Software wird die verschobene Arbeit besonders sichtbar

Wie sich das für Empfänger anfühlt, haben Sebastian Baltes, Marc Cheong und Christoph Treude in einer qualitativen Analyse von 1.154 Beiträgen aus 15 Diskussionen auf Reddit und Hacker News untersucht. Gegenstand waren Erfahrungen mit minderwertigem KI-generiertem Code, Pull Requests, Dokumentation und Fehlermeldungen. In den Diskussionen beschrieben Entwickler unter anderem aufwendigere Reviews, nachlassendes Vertrauen und zusätzlichen Wartungsbedarf.

Das ist keine repräsentative Befragung aller Entwickler. Die untersuchten Diskussionen ziehen vermutlich Menschen an, die sich über das Problem austauschen wollen. Die Studie misst weder den durchschnittlichen Mehraufwand einer Softwareabteilung noch, wie viel KI-Code im Durchschnitt schlechter ist. Sie zeigt jedoch anschaulich, an welcher Stelle die Belastung auftaucht: Bei Menschen, die fremde Ergebnisse verstehen, prüfen und über längere Zeit verantworten müssen.

Für diesen Mechanismus ist das Softwarebeispiel besonders geeignet. Ein Pull Request besteht nicht nur aus den Zeilen, die jemand geschrieben hat. Andere müssen entscheiden, ob er ins bestehende System passt, Grenzfälle berücksichtigt, keine Sicherheitsprobleme einführt und später gewartet werden kann. Mehr eingereichte Änderungen sind deshalb nicht zwangsläufig mehr ausgelieferte, dauerhaft brauchbare Software.

Bei Strategiepapieren, Auswertungen und Wissensdokumenten verhält es sich ähnlich. Der Aufwand verschwindet nicht, nur weil sich der erste Entwurf schneller erstellen lässt. Er kann auf Prüfung, Abstimmung, Rückfragen und die spätere Fehlersuche wandern. Eine solche Kostenverschiebung ist eine plausible organisatorische Folge, aber mit den bisher genannten Studien nicht als allgemeiner kausaler Effekt für alle Unternehmen bewiesen.

Der Gegenbeweis: KI kann Arbeitsprozesse tatsächlich verbessern

Die Workslop-Debatte wird zu einfach, wenn sie jede KI-generierte Arbeit unter Generalverdacht stellt. Eine große Feldstudie von Erik Brynjolfsson, Danielle Li und Lindsey Raymond beobachtete die schrittweise Einführung eines Assistenzsystems bei 5.172 Beschäftigten im Kundenservice. Mit Zugriff auf den Assistenten stieg die Zahl erfolgreich gelöster Fälle pro Stunde im Durchschnitt um 15 Prozent. Das ist ein relevanter Produktivitätsbefund aus einem realen Arbeitsprozess, nicht bloß das Gefühl, schneller geschrieben zu haben.

Der Unterschied zum ungeprüft verschickten Bericht liegt auch im Zuschnitt der Aufgabe. Das System schlug während einer laufenden Kundeninteraktion Antworten vor. Die Beschäftigten konnten sie anpassen oder verwerfen, und die Studie maß, wie viele Fälle tatsächlich erfolgreich abgeschlossen wurden. Natürlich ist auch diese Kennzahl begrenzt. Sie beschreibt nicht jede Dimension von Servicequalität und lässt sich nicht auf beliebige Wissensarbeit übertragen. Doch hier wurde ein Arbeitsergebnis gemessen, nicht lediglich die Geschwindigkeit der Textherstellung.

Ein sinnvoller Gegenentwurf zu Workslop ist deshalb kein pauschales KI-Verbot. Er besteht darin, KI dort einzusetzen, wo Aufgabe, überprüfbares Ergebnis und Verantwortung zusammenpassen. Bei einer klar abgegrenzten Routine kann die Unterstützung unmittelbar nützen. Bei einer offenen Analyse ohne geklärte Kriterien kann dasselbe Werkzeug zusätzliche Arbeit erzeugen, wenn es Unsicherheit hinter scheinbarer Vollständigkeit versteckt.

Mehr Output kann auch mehr Arbeit erzeugen

Eine weitere Beobachtung stammt von Aruna Ranganathan und Xingqi Maggie Ye an der University of California, Berkeley. Die Forscherinnen begleiteten über acht Monate die Arbeit in einem US-Technologieunternehmen mit etwa 200 Beschäftigten. Die ethnografische Untersuchung, zu der auch mehr als 40 Interviews gehörten, beschrieb eine Ausweitung von Aufgaben und eine Verdichtung des Arbeitstages. Beschäftigte begannen mit KI Tätigkeiten, die sie zuvor nicht übernommen hätten, und hielten mehrere Arbeitsstränge parallel offen.

Das ist etwas anderes als Workslop: Die zusätzliche Arbeit kann durchaus sinnvoll sein. Die Studie hilft jedoch, eine verbreitete Gleichsetzung zu hinterfragen. Wenn die Herstellung von Entwürfen leichter wird, wächst oft auch die Menge dessen, was überhaupt begonnen werden kann. Ob daraus Entlastung, bessere Ergebnisse oder nur ein voller Arbeitstag entsteht, bleibt eine eigenständige Frage. Aus der Beobachtung in einem Unternehmen lässt sich keine allgemeine Behauptung über sämtliche Beschäftigte ableiten.

Für die Informationsqualität ist vor allem das Verhältnis zwischen erzeugtem Material und verfügbarer Aufmerksamkeit interessant. Wer zusätzliche Berichte, Analysen oder Vorschläge bestellt, muss diese auch lesen, gewichten und in Entscheidungen übersetzen können. Sonst wächst der Eingang schneller als die Fähigkeit, ihn sinnvoll zu verarbeiten. Die Menge fertiger Dokumente ist dann ein schlechtes Maß für den Nutzen.

Warum die Schuldfrage in die Irre führen kann

Schlechte KI-Arbeit sieht oft nach mangelnder Sorgfalt aus. Daraus folgt aber nicht, dass jeder Verfasser faul war. In einem im August 2026 veröffentlichten Fachaufsatz in Philosophy & Technology argumentiert Karl de Fine Licht, dass man aus dem Ergebnis allein weder Absicht noch tatsächlichen Arbeitseinsatz zuverlässig ablesen kann.

Vielleicht hat jemand eine Aufgabe vorschnell weitergereicht. Vielleicht musste ein Team wegen unrealistischer Fristen liefern, durfte die KI nicht abschalten oder hatte für die notwendige Prüfung keine Zeit. Solche Fälle sind ethisch und organisatorisch nicht identisch. Der Autor unterscheidet deshalb die Verantwortung der Beschäftigten für ihre lokalen Entscheidungen von der Verantwortung des Managements für Fristen, Anreize, Richtlinien und Arbeitsbedingungen.

Das ist eine wichtige Korrektur zur schnellen Forderung nach mehr Disziplin. Wer ausschließlich den Absender eines fehlerhaften Dokuments verantwortlich macht, übersieht möglicherweise ein System, das auf erzeugte Textmenge belohnt, aber auf belastbare Entscheidungen angewiesen ist. Umgekehrt wird individuelles Prüfen nicht überflüssig, nur weil schlechte Anreize bestehen. Beides muss zusammen betrachtet werden.

Auch der moralische Befund des Aufsatzes ist keine empirische Kausalstudie. Er liefert eine begründete Perspektive darauf, wann die Weitergabe unvollständiger Arbeit unfair sein kann: insbesondere, wenn vermeidbarer Aufwand auf andere verlagert wird, ohne dass diese den Tausch sinnvoll steuern können.

Woran man echten Fortschritt erkennen würde

Was folgt daraus für den Umgang mit KI-generierten Arbeitsprodukten? Zuerst eine sprachliche Korrektur: Ein Entwurf ist ein Entwurf. Eine überprüfte Entscheidungsgrundlage ist etwas anderes. Wer diesen Status sichtbar macht, kann schon viele unnötige Schleifen vermeiden.

In einem Team ließe sich deshalb bei wiederkehrenden Informationsübergaben beobachten, wie viel Arbeit nach der ersten Abgabe noch anfällt: Welche Rückfragen entstehen? Wie oft müssen Quellen nachgefordert werden? Welche Teile werden neu erstellt? Wie lange dauert es von der ersten Fassung bis zur verwendbaren Entscheidung? Das ist hier eine redaktionelle Ableitung aus den beschriebenen Mechanismen, kein extern validiertes Standard-Messmodell.

Ebenso wichtig ist, wer diese Arbeit verrichtet. Wenn Abteilung A ihre Bearbeitungszeit halbiert und Abteilung B dafür mehr korrigieren muss, ist der Erfolg des Gesamtprozesses offen. Umgekehrt kann eine gut gekennzeichnete vorläufige Analyse für B sehr wertvoll sein, selbst wenn sie noch nicht fertig ist. Das Problem ist nicht Unvollständigkeit an sich, sondern eine Übergabe, die sie verschweigt.

Für organisationsweites Wissen kommt eine weitere Frage hinzu: Soll der Text überhaupt als künftig gültige Informationsquelle dienen? Ein kurzer Austausch im Projektchat hat andere Folgen als eine Anweisung, die später von vielen Beschäftigten oder von einem internen KI-Assistenten wiedergefunden wird. Wer die zweite Art von Information produziert, muss Herkunft, Gültigkeit und Zuständigkeit geklärt haben. Warum eine gute Suchoberfläche diese Fragen nicht lösen kann, behandelt der Beitrag über KI und Wissensmanagement.

Die verwandte Frage, ob KI eingesparte Minuten tatsächlich in organisatorische Produktivität übersetzt, wurde bereits anhand von Produktivitätsstudien untersucht. Workslop setzt an einer konkreteren Stelle an: bei der Qualität des weitergegebenen Ergebnisses und beim Aufwand auf der Empfängerseite. Ein und derselbe Arbeitsprozess kann auf beiden Ebenen ganz unterschiedlich aussehen.

Eine Datei weniger wäre manchmal der größere Fortschritt

Die bisherigen Befunde rechtfertigen weder eine allgemeine Workslop-Quote für deutsche Unternehmen noch die Behauptung, KI mache Wissensarbeit insgesamt unproduktiver. Sie zeigen ein ernstes Risiko und eine plausible Erklärung dafür, warum sich manche Teams trotz schnellerer Entwürfe stärker belastet fühlen. Zugleich gibt es belastbare Gegenbeispiele, in denen KI den gemessenen Arbeitserfolg verbessert.

Entscheidend ist, woran eine Organisation Leistung erkennt. An der Zahl verschickter Dokumente? An der Geschwindigkeit, mit der ein erster Text entsteht? Oder daran, ob die nächste Person eine fundierte Entscheidung treffen kann, ohne sich die Voraussetzungen mühsam selbst zu erarbeiten?

Wenn KI die Produktion von Texten nahezu beliebig erleichtert, wird eine alte Fähigkeit wichtiger: Nur das weiterzugeben, was für den nächsten Arbeitsschritt tatsächlich gebraucht wird, und offen zu sagen, was noch ungeprüft ist. Vielleicht ist die beste KI-unterstützte Arbeit deshalb manchmal der Bericht, den niemand zusätzlich lesen muss.