Organisation

Der Human Capacity Escalation Path: Das verborgene Operating Model Risiko hinter jedem KI-Rollout

Mit jedem KI-Rollout lagert eine Organisation Tätigkeiten aus — und mit ihnen die Fähigkeiten, die aus diesen Tätigkeiten erst entstehen. Das Thesenpapier entwickelt entlang von Hannah Arendts Vita activa eine vierschichtige Diagnostik dieses Prozesses: von der Routine über das Urteil bis zur Fähigkeit, unter Unsicherheit zu handeln. Es benennt die Schwellen, an denen aus Delegation Abhängigkeit wird — und warum ein Operating Model, das für eine andere Welt gebaut wurde, diesen Pfad nicht von selbst korrigiert.

10/06/2026

Künstliche Intelligenz (KI) wird in Organisationen meist als Effizienzhebel diskutiert. Dieser Blickwinkel greift zu kurz. KI verändert nicht nur, wie schnell und mit welchem Aufwand Tätigkeiten erledigt werden – sie verändert die Bedingungen, unter denen Menschen in Organisationen als Akteure wirksam werden. Wer KI nur als Tool denkt, übersieht den zentralen Mechanismus: KI-Outsourcing erodiert systematisch die Fähigkeit, unter Unsicherheit zu urteilen, zu entscheiden und Verantwortung zu tragen – und damit genau die Fähigkeit, die eine Organisation in unbekanntem Terrain handlungsfähig macht.

Dieses Thesenpapier entwickelt ein Diagnose-Modell — den Human Capacity Escalation Path (HCEP) — entlang vier zentraler Fragen:

Schicht 1 fragt, was ausgelagert wird – und welche menschlichen Fähigkeiten dabei mitgehen.
Schicht 2 fragt, was dabei passiert – und identifiziert zwei Schwellen entlang des Pfads, die in Output oder KPIs nicht sichtbar sind.
Schicht 3 fragt, was die Eskalation antreibt – und benennt zwei strukturelle Mechanismen, die im Operating Model verankert sind und sich wechselseitig stabilisieren.
Schicht 4 fragt, was vom Menschen bleibt – und zeichnet die schrittweise Verschiebung vom Akteur über den Kurator zur verlängerten Werkbank nach, mit den organisationalen Konsequenzen, die das mit sich bringt.

Die zentrale Erkenntnis: KI-Outsourcing ist auf höheren Stufen keine Effizienzfrage mehr. Es ist eine Verfassungsfrage der Organisation – wer entscheidet noch, wer trägt Verantwortung, wer ist Akteur. Und damit eine Mandats-Frage: Wer in der Organisation hat überhaupt das Mandat, das Operating Model in seinen tiefsten Schichten umzubauen?

Wer diese Frage bewusst beantwortet, baut einen Wettbewerbsvorteil, der nicht extern beziehbar ist. Wer es nicht tut, verliert strukturell – und nicht aufholbar.

Schicht 1 · Was wird ausgelagert?

Frei nach Arendt, Vita activa (1958)

Hannah Arendt, eine der einflussreichsten politischen Denkerinnen des 20. Jahrhunderts, hat in Vita activa (1958) drei Modi menschlicher Tätigkeit unterschieden – Labor, Work und Action. Sie fragte, wie Menschen durch ihr Tun in der Welt wirksam werden, und welche Bedingungen notwendig sind, damit sie als Akteure überhaupt erkennbar bleiben. Das war Jahrzehnte vor der Existenz dessen, was heute „KI“ heißt.

Genau diese Unterscheidung lässt sich aber auf die heutige Frage anwenden: Was passiert mit menschlichem Tun, wenn KI Tätigkeiten übernimmt? Arendt selbst hat diese Frage im Prolog der Vita activa (1958) antizipiert – sie erwägt den Fall, dass Menschen Maschinen ersinnen, die ihr Denken und Sprechen übernehmen, und beschreibt das als existenzielle Falle. Was sie 1958 nur skizzieren konnte, entwickelt dieses Papier als strukturelle Diagnose für Organisationen unter KI-Bedingungen.

Im Organisationskontext heißt das: Nicht jede Tätigkeit ist einfach „Arbeit“. Tätigkeiten erfüllen unterschiedliche Funktionen – nicht nur für die Organisation, sondern auch für den Menschen, der sie ausführt. Je nach Stufe bauen sie unterschiedliche Fähigkeiten auf, durch die ein Mensch in seinem Tun überhaupt wirksam wird.

Das Modell überträgt für die weitere Analyse Arendts drei Modi auf den Organisationskontext:

Labor umfasst routinierte, repetitive Tätigkeiten, die ausgeführt werden müssen, damit der Betrieb läuft – Standard-Korrespondenz, Datenextraktion, Transkription, Formatierung. Sie sichern den laufenden Prozess, betreffen aber nicht die Fähigkeiten, die den Menschen als Akteur innerhalb der Organisation konstituieren.
Work umfasst die konzeptionelle Arbeit, in der das Denkfundament für späteres Entscheiden gelegt wird – Konzepte erarbeiten, Optionen ordnen, Argumentationen entwickeln, Entscheidungsvorlagen vorbereiten. Hier wird Fähigkeit gebildet: Verstehen, Strukturieren und Bewerten entstehen in dieser Praxis.
Action umfasst das Handeln unter Unsicherheit – entscheiden und verantworten. Hier wird ein Mensch im organisationalen Kontext als Akteur sichtbar.

Zwischen diesen Stufen verlaufen zwei Schwellen, die im Modell unterschiedliche Funktionen haben.

Die Foreclosure-Schwelle liegt innerhalb der Work-Stufe und markiert den Punkt, an dem das Auslagern konzeptioneller Arbeit den Aufbau-Pfad von Fähigkeit unterbricht – eine Schwelle, die im Output nicht sichtbar wird.
Die Rollenwechsel-Schwelle markiert den kategorialen Übergang von Work zu Action: KI verlässt die Werkzeug-Position und tritt in die Bewertungs-Position ein.

Was dieses Modell unter „Fähigkeiten“ versteht

Im Organisationskontext gibt es viele Fähigkeiten, die wichtig sind. Eine unterscheidet sich jedoch kategorial davon: die Fähigkeit, unter Unsicherheit zu urteilen, zu entscheiden und Verantwortung für die Folgen zu tragen – und damit als Akteur sichtbar zu werden. Sie ist die Voraussetzung dafür, dass eine Organisation in unbekanntem Terrain handlungsfähig bleibt – dort, wo Routinen und Standardprozesse nicht mehr greifen. Genau diese Fähigkeit macht Menschen in Arendts Sinn zu Akteuren (hier übertragen auf Organisationen).

Sie ist nicht eine einzelne Fähigkeit, sondern fünf, die zusammenspielen müssen:

Verstehen – was ist der Sachverhalt, was sind die Optionen?
Strukturieren – wie sind Sachverhalt und Optionen geordnet, wie hängt es zusammen?
Bewerten – welche Option ist besser, nach welchen Kriterien, mit welcher Gewichtung?
Entscheiden – eine Wahl treffen
Verantworten – die Entscheidung tragen

Die ersten vier Komponenten lassen sich im Prinzip an KI delegieren. Die fünfte – Verantworten – nicht: Sie setzt ein Subjekt voraus, das von Konsequenzen betroffen ist. Genau diese Asymmetrie zwischen Delegieren und Verantworten wird im Modell zu einem entscheidenden Punkt.

Die Zerlegung der Urteilsfähigkeit in fünf Komponenten greift Grundgedanken etablierter Kompetenz- und Lerntheorie auf (siehe Methodische Grundlagen) – sie ist im Human Capacity Escalation Path jedoch nicht als Lerntheorie konzipiert, sondern als Erosionsmodell: Sie zeigt, was zerfällt, wenn diese Komponenten entkoppelt werden.

Auslagerungslogik entlang der Arendt-Schichten

Die fünf Komponenten sind nicht 1:1 auf die Arendt-Schichten verteilt – und ihr Aufbau verläuft nicht linear.

Verstehen und Strukturieren ermöglichen Bewerten, entwickeln sich aber auch durch Bewerten;
Entscheidungen und ihre Konsequenzen fließen in späteres Verstehen ein.
Verantworten ist kein nachgelagerter Zusatz, sondern der Punkt, an dem die anderen Komponenten mit ihren Folgen konfrontiert werden.

Work ist dabei die primäre Formierungsebene – dort werden Verstehen, Strukturieren und die Voraussetzungen für Bewerten in der Praxis aufgebaut. Bewerten und Entscheiden gehören zur Action-Ebene, greifen aber auf das zurück, was auf der Work-Ebene gebildet wurde. Verantworten setzt alle vier voraus und bleibt durchgehend an das menschliche Subjekt gebunden.

Die Eskalation entlang dieser Schichten bewegt sich nicht von einer Komponente zur nächsten – sie fügt auf jeder Stufe eine weitere Komponente zu dem hinzu, was bereits auf dem Spiel steht. Die Rollenwechsel-Schwelle markiert, wo KI im Operating Model die Position wechselt, nicht wo eine neue Komponente erstmals ins Spiel kommt.

Eskalationslogik: Tätigkeiten, Rollenverschiebungen und menschliche Fähigkeiten, die auf dem Spiel stehen

Die Spalte Rollenverschiebung zeigt, was die Stufung für die menschliche Position bedeutet. Auf Labor und Work bleibt der Mensch Akteur – KI ist Werkzeug, gegebenenfalls auch Entwurfsinstanz, aber das Urteil liegt beim Menschen. Mit der Rollenwechsel-Schwelle kippt diese Konstellation: KI bewertet, der Mensch wird zum Kurator vorbewerteter Optionen. Auf der Action-Stufe wird der KI-Vorschlag zum Default; der Mensch ratifiziert, wirkt durch Zustimmung oder Abweichung, nicht durch eigene Bewertung. Im Endzustand kollabiert auch diese Restautonomie: Der Prozess läuft autonom, KI simuliert die Akteursposition, der Mensch wird zum Werkzeug der KI.

Was auf der Labor-Stufe das Werkzeug des Menschen war, kehrt im Endzustand seine Richtung um. Diese Bewegung ist keine graduelle Schwächung derselben Akteursrolle, sondern eine sequenzielle Kategorienverschiebung – mit zunehmend weniger Substanz, bis im Endzustand die Akteursposition strukturell unbesetzt bleibt. Was das im Detail heißt, wird in den folgenden Schichten näher betrachtet.

Was das Modell nicht erfasst

Nicht jede menschliche Tätigkeit ist Teil dieser Auslagerungslogik. Manuelle, hochpersönliche oder körpergebundene Tätigkeiten – etwa Pflege, Handwerk im engen Sinn, körperliche Präsenz – sind weder gut substituierbar noch konstitutiv für Urteilskraft im Organisationskontext. Sie sind nicht trivial – nur nicht Gegenstand dieses Modells. Das Modell zielt auf den Bereich, in dem KI auf Tätigkeiten trifft, durch die Menschen in der Organisation als Urteiler wirken.

Kernaussage von Schicht 1

Was eine Organisation an KI übergibt, ist nie nur eine Tätigkeit. Es gehen immer auch Fähigkeiten mit. Auf welcher Stufe die Auslagerung erfolgt, entscheidet darüber, ob das unkritisch ist oder kategorial problematisch wird.

DER ENTSCHEIDENDE PUNKT

Auf der Labor-Stufe lagert KI weitgehend Tätigkeit aus. Auf der Work-Stufe beginnt sie, den Aufbau-Pfad von Fähigkeit auszulagern. An der Schwelle wechselt sie aus der Werkzeug-Position in die Bewertungs-Position. Auf der Action-Stufe simuliert KI die Akteur-Position – ohne sie strukturell einnehmen zu können. Im Endzustand bleibt die Akteur-Position selbst unbesetzt – Menschen bleiben im Prozess, aber nicht mehr als Träger von Urteil und Verantwortung. Das sind nicht schwächere Formen derselben Bewegung, sondern kategorial unterschiedliche Auslagerungsarten.

SCHICHT 2 · Was passiert dabei?

Schicht 1 hat gezeigt, was ausgelagert wird – und auf welcher Stufe welche menschliche Fähigkeit dabei betroffen ist. Schicht 2 fragt, was im Auslagerungsprozess selbst passiert – und identifiziert zwei Schwellen entlang des Pfads, die in Output oder KPIs nicht sichtbar sind.

Die entscheidende Bewegung liegt daher nicht im Output, sondern in dem, was mit der Fähigkeit hinter dem Output passiert. Output kann konstant bleiben, während die Fähigkeit, die ihn normalerweise hervorbringt, in der Person erodiert. Genau hier setzt der Begriff der Konstitutivität an: Eine Tätigkeit ist konstitutiv, wenn ihre Auslagerung dieselbe Person in einer der fünf Komponenten verändert – also nicht nur entlastet, sondern in dem verändert, was sie als Urteilende ausmacht.

Eskalationsdiagnostik

Die folgende Übersicht zeigt die Verschiebung entlang der Arendt-Stufen in vier Dimensionen. Sie macht sichtbar, warum die Auslagerung auf jeder Stufe plausibel erscheint (Eintrittsrationale), was dabei tatsächlich mit den zentralen Fähigkeiten passiert (Erosionswirkung) – und wie das modellseitig zu bewerten ist (Modell-Status).

KI-Outsourcing-Eskalationsdiagnostik entlang des Human Capacity Escalation Path

Zwei Beobachtungen sind zentral für den weiteren Verlauf des Modells:

Die Bewegung ist nicht gleichförmig. Innerhalb der Work-Ebene markiert eine funktionale Schwelle den Punkt, an dem Auslagerung kippt. Diesseits davon: Atrophie. Jenseits davon: Foreclosure.

Die kritischste Zone beginnt nicht am sichtbaren Ende der Eskalation, sondern in der Mitte – dort, wo sie noch unkritisch wirkt. Die Action-Stufe und der Endzustand sind hochkritisch, aber erkennbar so. Die Work-Stufe ist gefährlicher, weil die Erosion unter voller Aktivität stattfindet.

Beide Punkte werden in den folgenden Abschnitten geschärft.

DER ENTSCHEIDENDE PUNKT

Die Auslagerung menschlicher Fähigkeiten ist keine Effizienzfrage mehr. Sie wird zur Verfassungsfrage der Organisation: Wer entscheidet noch? Wer trägt Verantwortung? Wer ist Akteur?

Tätigkeiten werden in ihrer Kategorie verschoben

Arendt beschrieb schon in den 1950er-Jahren eine Kollaps-Bewegung der Moderne: Action kollabiert in Work, Work kollabiert in Labor. Was dabei verloren geht, ist nicht Output – sondern die Fähigkeit, als Akteur zu wirken. Sie sah diese Bewegung in den industriegesellschaftlichen Strukturen ihrer Zeit. KI verstärkt sie heute auf neue Weise, weil sie genau dort ansetzt, wo Fähigkeiten entstehen:

Verstehen wird zur KI-Zusammenfassung
Strukturieren wird zur KI-Gliederung
Bewerten wird zum KI-Vorschlag
Entscheiden wird zum KI-Default

Damit werden Tätigkeiten nicht nur schneller erledigt – sie werden in ihrer Kategorie verschoben.

Die kritischen Schwellen

Das Modell unterscheidet zwei kritische Schwellen:

Foreclosure-Schwelle (innerhalb Work) – die funktionale Schwelle zwischen Atrophie und Foreclosure. Sie markiert den Punkt, an dem Fähigkeiten nicht mehr nur weniger genutzt werden und damit verkümmern, sondern gar nicht mehr aufgebaut werden.
Rollenwechsel-Schwelle (Work → Action) – der kategoriale Übergang von der Werkzeug-Position zur Bewertungs-Position. KI tritt aus dem Tool-Status heraus und wird zur Instanz, deren Empfehlungen Entscheidungen vorprägen. Sie ist in den Tabellen als eigene Stufe geführt.

Foreclosure-Schwelle

Die Foreclosure-Schwelle ist die gefährlichere von beiden, weil sie unsichtbar ist. Work ist die einzige Ebene, auf der zwei Bedingungen gleichzeitig erfüllt sind:

Tätigkeiten sind technisch gut substituierbar – und gleichzeitig
konstitutiv für den Aufbau von Verstehen, Strukturieren, Bewerten und Entscheiden.

Genau hier entsteht die stille Erosion: Output bleibt hoch oder steigt sogar, Qualität wirkt stabil, Aktivität nimmt zu – während die Fähigkeit erodiert, die diese Qualität ursprünglich erzeugt hat. Was hier ausgelagert wird, sieht aus wie Tätigkeit – ist aber der Aufbau-Pfad einer Fähigkeit.

Aktuelle Forschung beschreibt genau diesen Mechanismus (Kim et al., 2026) – als „LLM Fallacy“ oder „perceived competence inflation“: Entwickler liefern Code, den sie ohne KI nicht debuggen könnten. Strategen schreiben Memos, die sie aus dem Stand nicht rekonstruieren könnten. Output und Lernen waren früher gekoppelt – durch das Tun entstand die Fähigkeit, das Getane zu beurteilen. Beides ist entkoppelt. Von der Output-Seite sieht es gleich aus.

Kosmyna et al. (2025) liefern dazu neurophysiologische Belege im Schreib-Kontext: Teilnehmende, die bei Essay-Aufgaben einen LLM-Assistenten nutzten, zeigten messbar geringere neuronale Aktivität und schwächere Gedächtnisspuren der eigenen Texte im Vergleich zu unassistierten Teilnehmenden – was die Autoren als „cognitive debt“ bezeichnen. Die Tätigkeit wird ausgeführt, der Output produziert – aber die formative Spur, die normalerweise die Fähigkeit aufbaut, fehlt.

Was ökonomisch sinnvoll erscheint, ist strukturell riskant. Das ist der Grund, warum diese Zone oft unentdeckt bleibt.

Senior/Junior-Asymmetrie als Pipeline-Risiko

Die Foreclosure-Schwelle wirkt unterschiedlich, je nachdem, ob eine Fähigkeit bereits vorhanden ist oder noch aufgebaut wird. Bei Seniors – mit bereits gebauten Fähigkeiten – wirkt sie als Atrophie: Vorhandene Urteilskraft verkümmert, bleibt aber teilweise abrufbar und ist partiell reversibel. Bei Juniors – und bei allen, die sich gerade in eine neue Domäne einarbeiten – wirkt dieselbe Auslagerung als Foreclosure: Die Fähigkeit wird gar nicht erst aufgebaut. Was nie eingeübt wurde, lässt sich später kaum nachholen.

Die Differenzierung wird hier als analytische Konsequenz der Atrophie/Foreclosure-Logik eingeführt, nicht als bestätigter empirischer Befund.

DER ENTSCHEIDENDE PUNKT

Damit entsteht ein strukturelles Risiko: die Erosion der Pipeline für künftige Urteilsfähigkeit. Organisationen optimieren aktuelle Performance – und untergraben gleichzeitig die Fähigkeit, zukünftige Entscheider hervorzubringen.

Die Foreclosure-Schwelle wirkt innerhalb von Work – still, unsichtbar, mit Konsequenzen, die sich durch die Pipeline bis ins nächste Jahrzehnt erstrecken. Die zweite Schwelle wirkt anders: nicht still, sondern durch sichtbare strukturelle Gesten, die KI von der Werkzeug- in die Bewertungs-Position verschieben.

Die Rollenwechsel-Schwelle: Work → Action

Während die Foreclosure-Schwelle innerhalb der Work-Ebene wirkt – unsichtbar, weil Output und Aktivität hoch bleiben – markiert die Rollenwechsel-Schwelle einen kategorialen Übergang: KI verlässt die Werkzeug-Position und tritt in die Bewertungs-Position ein.

Diese Schwelle ist als Kategorienwechsel modellsprachlich markierbar – und genau deshalb beobachtbar, wo die Foreclosure-Schwelle still wirkt. Beobachtbar heißt aber nicht harmlos: Die Verschiebung erfolgt selten als bewusste Entscheidung, sondern über Operating-Model-Signale, die die Position des KI-Systems schrittweise verändern. Wie KI im System sprachlich, organisatorisch und in der Verantwortungsarchitektur eingebunden wird, prägt, ob die Schwelle überschritten wird – und wie weit.

Eine randomisierte Studie von Kropp, Bedard, Wiles et al. (2026) mit 1.261 Manager:innen aus HR und Finance liefert dazu kausale Evidenz. Die Teilnehmenden wurden gebeten, identische Dokumente auf Fehler zu prüfen – einmal vorgestellt als Arbeitsergebnis eines „KI-Tools“, einmal als Arbeitsergebnis eines „KI-Employees“. Bei Manager:innen ohne reale Exposition gegenüber KI-Agenten im eigenen Unternehmen zeigte die sprachliche Einordnung keinen signifikanten Unterschied. Aber in der Subgruppe von Manager:innen, deren Organisationen KI-Agenten bereits formal im Organigramm führen – also mit vorheriger struktureller Exposition –, erzeugte die Einordnung messbare Effekte:

Sie identifizierten 18% weniger Fehler im Vergleich zu Gruppen mit Tool-Einordnung.
Eskalationen an höhere Instanzen nahmen um 44% zu.
Persönliche Verantwortungsübernahme sank um 9 Prozentpunkte; die der KI zugeschriebene Verantwortung stieg um 8 Prozentpunkte.

Die Rollenwechsel-Schwelle ist damit nicht primär ein sprachliches Phänomen – sie ist ein Operating-Model-Phänomen. Solange KI im System als Werkzeug eingeordnet bleibt, bleibt die sprachliche Einordnung Kosmetik. Sobald die Organisation den strukturellen Schritt vollzieht – Eintrag im Organigramm, eigenes Rollenprofil, Reporting-Linie – beginnt die Einordnung, das Verhalten der Menschen darum herum zu verändern. Die Schwelle wird nicht durch einzelne Bezeichnungen überschritten, sondern durch die strukturelle Verankerung, die die Bezeichnung plötzlich glaubwürdig macht.

DER ENTSCHEIDENDE PUNKT

Die Foreclosure-Schwelle wirkt durch Stille – Auslagerung, ohne dass jemand etwas merkt. Die Rollenwechsel-Schwelle wirkt durch Sichtbarkeit – durch eine strukturelle Geste, die im Organigramm beginnt und im Verhalten der Beteiligten endet. Beide Schwellen sind designt – keine ist Schicksal.

Kropp et al. leiten aus ihren Befunden drei strukturelle Konsequenzen ab, die sich direkt in Operating-Model-Design übersetzen: explizite Entscheidungsrechte (was darf der Agent autonom entscheiden, was nicht), eine klare Eskalations-Architektur (was triggert Review, wer interveniert, wer trägt die Kosten von Verzögerung oder Fehlern) und eine nachgelagerte Konsequenz-Logik (was passiert, wenn der Agent versagt – wer trägt die Verantwortung über die Zeit). Wer KI-Systeme anthropomorphisiert, ohne mindestens diese drei Architekturen zu setzen, gibt die Akteur-Position sprachlich preis, bevor die Strukturentscheidung darüber getroffen ist. Unter den heutigen institutionellen Bedingungen verbleibt die Haftung typischerweise bei der Organisation und ihren designierten Entscheidungsträgern; KI erwirbt keine Akteurs-Rolle, nur weil die Organisation sie Mitarbeiter:in nennt.

Steuern oder Akzeptieren – der Modus der Auslagerung

Bis hierhin beschreibt das Modell Fähigkeitsauslagerung entlang der Tätigkeit und entlang der Position des KI-Systems im Operating Model. Daneben steht eine dritte Differenzierung, die das Schicht-Modell sonst nicht explizit benennt: KI-Einsatz hat zwei Modi.

Steuerungsmodus: Der Mensch bleibt der Urteiler. KI wird zurückgespielt, eigene Ideen werden eingebracht, Vorschläge werden geprüft. Konstitutivität bleibt erhalten – die Fähigkeit, die mit der Tätigkeit gebaut wird, baut sich auch dann auf, wenn KI das Werkzeug ist.
Akzeptanzmodus: Der Mensch übernimmt, was KI vorschlägt, ohne eigene Urteilsbildung. Konstitutivität geht verloren – die Tätigkeit wird zwar ausgeführt, aber nicht mehr im Sinne des Aufbau-Pfads, der Verstehen, Strukturieren, Bewerten und Entscheiden trainiert.

Beide Modi erzeugen Output. Von außen sehen sie gleich aus. Genau diese Indifferenz des Outputs gegenüber dem Modus ist das, was die stille Erosion möglich macht.

Eine aktuelle Studie von Beaty und DiStefano (2026) liefert die empirische Spiegelung dieser Differenzierung: Über vier Samples mit insgesamt rund 6.300 Mensch-LLM-Interaktionen war nicht das Ausgangsniveau der Kreativität die zentrale Variable, sondern das Steuerungsverhalten – eigene Ideen einbringen, Vorschläge zurückspielen, korrigieren statt übernehmen. Die Autoren operationalisieren das als Creative Direction und zeigen: Wer steuerte, produzierte messbar distinktere Outputs. Wer akzeptierte, konvergierte. Damit verschiebt der Befund die übliche Erwartung: KI schließt die Kompetenz-Lücke nicht – sie verbreitert sie entlang der Modus-Linie.

Strukturell heißt das: Dissens muss eine Rolle haben, nicht nur eine Möglichkeit. Luka Babic (2026) verweist im Kontext der Post-Truth-Organisation auf die 10th Man Rule – die formalisierte Pflicht, in einer Runde mit Konsens jemanden zu beauftragen, die Gegenposition ernsthaft zu prüfen. Übertragen auf den KI-Kontext: Wer KI-Vorschläge nur geprüft erhält, wenn jemand zufällig widerspricht, hat keinen Steuerungsmodus – sondern Akzeptanz mit Höflichkeitsschleife.

Diese Modus-Differenzierung greift nicht im luftleeren Raum. Wie Schicht 3 zeigen wird, drücken die organisationalen Antriebe systematisch Richtung Akzeptieren – Steuern kostet Zeit, Aufmerksamkeit und Mühe, die im Operating Model schnell wieder absorbiert werden.

Kernaussage von Schicht 2

Damit verschiebt sich die Natur der Frage selbst. Sie greift die Verfassungsfrage der Organisation, die in der Schwelle bereits sichtbar wurde, auf einer zweiten Ebene auf: nicht nur, wer in der Organisation noch entscheidet – sondern was vom Menschen dabei bleibt.

DER ENTSCHEIDENDE PUNKT

Je höher die ausgelagerte Fähigkeit, desto weniger ist KI-Outsourcing eine Produktivitätsfrage – und desto mehr eine ethische und anthropologische.

SCHICHT 3 · Was treibt die Eskalation an?

Die Eskalation ist nicht zwingend. Sie ist Folge zweier wesentlicher struktureller Antriebsmechanismen, die sich wechselseitig stabilisieren: die Operating-Model-Gravitation und speziell die darin enthaltende Zielspirale.

3a · Operating-Model-Gravitation: Die OM-Gravitation ist die Gesamtträgheit des bestehenden Operating Models: Alle zentralen Hebel – Wertschöpfungslogik und Produktarchitektur, Organisationsdesign und Führungsmodell, Talent- und Karrierearchitektur, Mess- und Anreizstrukturen – sind auf eine bestimmte Logik kalibriert und halten sie dadurch aufrecht.
3b · Zielspirale: Die Zielspirale übersetzt jeden Effizienzgewinn automatisch in höhere Ziele – Verdichtung nimmt zu, Zeitwohlstand entsteht nicht. Sie ist die spezifische Dynamik im Operating Model: die Zielsetzungslogik, die keinen Effizienzgewinn als Puffer stehen lässt, sondern ihn unmittelbar in die nächste Anforderungsstufe überführt.

Analytisch lassen sie sich trennen – designerisch nicht.

3a · Die Operating-Model-Gravitation

Die Operating-Model-Gravitation ist die Trägheit des bestehenden Systems. Wer ein neues Operating Model designt, designt gegen dieses Gewicht, nicht mit ihm: Jeder Hebel, den das neue Design anfasst, ist bereits darauf kalibriert, das zu reproduzieren, was das alte Modell belohnt.

Wo die OM-Gravitation greift

Die OM-Gravitation greift auf mehreren Ebenen, von der fundamentalen Wertschöpfungslogik bis zu den konkreten Designentscheidungen darin:

Wertschöpfungslogik und Produktarchitektur – wofür die Organisation existiert, wie Produkte und Leistungen geschnitten sind, wie Wert erzeugt wird und welche Prozesse das erfordert. Diese Schicht entscheidet, welche Tätigkeiten überhaupt notwendig sind – und damit, wo Verstehen, Strukturieren, Bewerten und Entscheiden in der Wertschöpfung stattfinden. Die meisten aktuellen Geschäftsmodelle wurden unter der Annahme entwickelt, dass bestimmte Tätigkeiten Menschen brauchen. Wenn KI einen Teil dieser Tätigkeiten übernimmt müssen auch Produktportfolio, Service-Architektur und Pricing-Modelle (Tagessätze, FTE-Logiken) angepasst werden. Wer hier nicht ansetzt, designt die Auslagerungslogik unterhalb der Wertschöpfungslogik – und damit am Kern vorbei. Eine Frage öffnet sich dabei für die Zukunft: Inwieweit wird sich bewahrtes menschliches Urteil in Bewertungsdimensionen – wie Preise oder Unternehmenswert – tatsächlich widerspiegeln?
Organisationsdesign und Führungsmodell – wie die Organisation geschnitten ist, wer wofür verantwortlich ist, wie Tätigkeiten verteilt sind. Das Führungsmodell entscheidet, wo Urteil noch entsteht und wer es trägt – und damit, ob Rollenarchitektur und Aufgabenverteilung Entscheidungsfähigkeit reproduzieren oder erodieren. Abteilungen, Reportinglinien und Verantwortungsverteilungen sind nach Funktionen geschnitten, die in der pre-AI-Welt sinnvoll waren. Wenn KI Funktionen verschmilzt oder verschiebt, müsste das Organigramm dies widerspiegeln – tut es aber zumeist nicht.
Lerngelegenheiten und Karriereaufbau – wo eigenständiges Denken, Entscheiden und Irren noch praktisch eingeübt wird. Das ist kein Schulungsthema, sondern eine Frage der Karriere- und Entwicklungspfade: Wer nie in der Fehlerzone war, baut die kritischen Fähigkeiten nicht auf. Da Senior-Urteilskraft im KI-Zeitalter anders aufgebaut werden muss, sind neue Strukturen dafür gefragt – etablierte Alternativen zu den klassischen Junior-Pfaden gibt es aktuell jedoch kaum. Strukturierte Reflexionsräume oder gezieltes Mentoring für Urteilsbildung existieren in den meisten Organisationen nicht systematisch.
Mess- und Anreizstrukturen – Zieldefinition, Vergütung, Reportinglinien, Steuerungslogik. Das ist der Punkt, an dem OM-Gravitation und Zielspirale ineinandergreifen. Über die Zielspiralen-Dynamik hinaus wirkt hier eine Mess-Blindheit: Da das Bewusstsein dafür fehlt, messen Organisationen nicht, ob sie Urteilskraft aufbauen oder verlieren – sie haben keine KPIs dafür. Was nicht im Reporting auftaucht, existiert organisational nicht.

Diese vier Bereiche sind aufeinander abgestimmt: Die Wertschöpfungslogik definiert, was getan werden muss; das Organisationsdesign verteilt es; Lerngelegenheiten reproduzieren die Fähigkeiten, die das Modell braucht; Mess- und Anreizstrukturen halten alles in Linie. Jeder Bereich stützt die anderen – und alle zusammen reproduzieren das Modell, für das sie kalibriert sind. Das ist die OM-Gravitation: nicht die Summe der einzelnen Hebel, sondern ihre wechselseitige Stabilisierung.

DER ENTSCHEIDENDE PUNKT

KI verändert erst einmal nur die Tätigkeiten, nicht die Strukturen, in denen sie stattfinden. Aber das Operating Model kann nur reproduzieren, wofür es designt ist. Das alte OM hält die alte Welt nicht aktiv aufrecht – aber es bildet die neue auch nicht von selbst ab. Auch deshalb funktioniert OM-Veränderung nicht als Reform einzelner Bereiche – die vier Hebel müssen synchron bewegt werden, sonst zieht das Restsystem die Einzelmaßnahme zurück.

3b · Die Zielspirale

Mechanik:

Effizienzgewinn auf Stufe Labor → Ziel wird höher gesetzt
Höheres Ziel nicht mehr ohne weitere Auslagerung erreichbar
Auslagerung greift auf Work zu
Effizienzgewinn auf Work → Ziel wieder höher
Auslagerung greift auf Action zu
…

Empirisch ist diese Mechanik gut belegt. Brynjolfsson, Li und Raymond zeigen in ihrer Studie zu GenAI im Kundenservice (5.172 Agents): +15% Produktivität durch KI-Einsatz – aber Performance Targets werden häufig angepasst, sobald zu viele die Ziele erreichen. Diese Mechanik hat ökonomische Vorläufer: Weitzman (1980) hat sie als „Ratchet Principle“ beschrieben, die Anreiz- und Controlling-Forschung diskutiert sie seit Jahren als „Target Ratcheting“ (Indjejikian et al. 2014).

Zwei aktuelle Beobachtungen verdeutlichen, wie unmittelbar die Zielspirale heute greift. Erstens berichtet Box-CEO Aaron Levie (Lichtenberg, 2026) von einem Großunternehmen, in dem Mitarbeiter an Token-Usage gemessen werden – woraufhin die Mitarbeiter KI-Agenten auf nutzlose Aufgaben ansetzen, um die Zahlen zu erreichen. Goodharts Gesetz in Reinform: Sobald eine Messgröße zum Ziel wird, hört sie auf, eine Messgröße zu sein. Zweitens hat Accenture im Zuge eines Copilot-Rollouts an 743.000 Mitarbeitende den KI-Einsatz formal an die Beförderungslogik gekoppelt – wer KI-Tools nicht nutzt, wird nicht befördert. Beide Beispiele zeigen dasselbe Muster: Der Effizienzgewinn wird nicht in Zeit, Lernen oder Urteilsbildung übersetzt, sondern direkt in höhere Anforderungen – entweder über Output-KPIs oder über die Karriere-Architektur.

Hinter beiden Beispielen wirkt dieselbe Asymmetrie: Solange das alte Operating Model definiert, was als Erfolg zählt – über Mess- und Anreizstrukturen –, übersetzt sich jede Effizienz zurück in dessen Logik. Das ist nicht primär eine Trägheits-Beobachtung, sondern eine Mess-Asymmetrie: Der Hebel, der Erfolg definiert, dominiert alle anderen.

DER ENTSCHEIDENDE PUNKT

Die Zielspirale kennt die Arendt-Stufen nicht. Sie behandelt jeden Effizienzgewinn gleich – als Größe, die in höhere Ziele zu übersetzen ist. Damit zwingt sie die Organisation auf den Eskalationspfad, ohne dass jemand bewusst entscheidet, ihn zu betreten.

Die Zeit, die nicht entsteht

Die Zielspirale lässt sich auch in einer wesentlichen Ressource lesen: in der Zeit, die durch Auslagerung freigesetzt wird – und nie verfügbar wird. Geißler (2026) bringt das auf den Punkt: KPI-Design ist Zeitgestaltung. Wer KPIs setzt, entscheidet mit darüber, ob Produktivitätsgewinne zu Zeitwohlstand führen – oder zu noch mehr Druck.

Jede Auslagerung setzt Zeit frei. Diese Zeit wäre der einzige strukturelle Puffer, der die Eskalation aufhalten könnte: Zeit für Lernen, für Reflexion, für Urteilsbildung – also genau für jene Tätigkeiten, durch die die fünf Komponenten der Fähigkeit aufgebaut und geübt werden. Die Zielspirale absorbiert diese Zeit, bevor sie verfügbar wird. Was als „mehr Zeit für das Wesentliche“ versprochen wird, kommt strukturell beim Menschen nicht an.

Die Eskalation ist nicht selbstkorrigierend. Es gibt eine Kraft, die sie aufhalten könnte – freigesetzte Zeit, bewusst investiert. Aber diese Kraft wird systematisch absorbiert, bevor sie wirken kann.

DESIGNKONSEQUENZ

Wer den Eskalationspfad bremsen will, muss freigesetzte Zeit explizit gegen die Zielspirale schützen – als investierte Zeit für Aufbau und Übung der fünf Komponenten: Verstehen, Strukturieren, Bewerten, Entscheiden, Verantworten. Ohne diesen aktiven Schutz wird jeder KI-Effizienzgewinn zum Treiber der Eskalation, nicht zu ihrer Bremse.

Das Sequencing-Problem

Die Designaufgabe wird durch ein Timing-Dilemma zusätzlich verschärft. Das alte Operating Model läuft weiter, während das neue entstehen soll. Man kann eine Organisation nicht abschalten, umstrukturieren und wieder hochfahren. Die Menschen, die anders denken, lernen und arbeiten sollen, werden gleichzeitig an den Metriken, Reportinglinien und Vergütungsstrukturen des alten Systems gemessen – an dem System, das genau das Verhalten antrainiert hat, das jetzt verändert werden soll.

Daraus folgt eine erste Sequencing-Antwort: Die Mess- und Anreizstrukturen müssen vor den anderen Hebeln umgebaut werden – oder zumindest parallel und unter Schutz. Wer Wertschöpfungslogik, Organisationsdesign oder Lerngelegenheiten anfasst, ohne die Messlogik mitzudenken, wird vom alten Messsystem rückwärts wieder eingefangen. Das alte OM hat dabei einen strukturellen Vorteil, der nicht in seiner Überlegenheit liegt, sondern darin, dass es das Messsystem besitzt – und damit definiert, was als Erfolg sichtbar wird, auch für Initiativen, die genau dieses System überwinden sollen.

Kernaussage von Schicht 3

Die Eskalation hat kein Steuerrad und keinen Plan – sie materialisiert sich als das, was strukturell übrigbleibt, wenn KI auf ein Operating Model trifft, das nicht für sie gebaut ist. Wer den Effizienzpfad konsequent geht, kommt irgendwann auch an Urteilen und Entscheiden unter Unsicherheit: Beide lassen sich prinzipiell an KI delegieren – und werden es auch –, aber die Folge ist Erosion der menschlichen Urteilskraft, die das alte OM für seine Routinen nie bewusst aufbauen musste. Was als Effizienzgewinn beginnt, endet als Erosion der Substanz, die das alte Designschema nie zum Gegenstand gemacht hat.

Die Zielspirale wirkt aktiv: jeder Effizienzgewinn wird in höhere Ziele übersetzt, Zeitwohlstand bleibt aus.
Die OM-Gravitation wirkt passiv: das Operating Model kann nur reproduzieren, wofür es designt ist – dabei wird das Neue weder automatisch gesehen noch gefördert noch belohnt.

Wer den Eskalationspfad bremsen will, muss beide Antriebe gleichzeitig adressieren – die Zielspirale, indem freigesetzte Zeit aktiv geschützt wird; die OM-Gravitation, indem die strukturellen Hebel für die veränderte Tätigkeitsstruktur neu designt werden, statt darauf zu hoffen, dass das bestehende System sich selbst korrigiert.

Hinzu kommt: Die strukturellen Antriebe wirken nicht im luftleeren Raum. Sie treffen auf Menschen mit eigenen Bedürfnissen und Reaktionen. Wie diese individuelle Ebene mit der strukturellen zusammenwirkt – und warum Adoption nicht einheitlich verläuft – entfaltet Schicht 4.

SCHICHT 4 · Was bleibt vom Menschen?

Was eine Organisation auslagert, verändert nicht nur, was getan wird – sondern auch, wie es getan wird und wer es tut. Schicht 4 macht diese Veränderung sichtbar. Sie ist die Wirkungsebene des Modells: der Punkt, an dem Tätigkeit (Schicht 1), Mechanik (Schicht 2) und Antrieb (Schicht 3) beim Menschen ankommen.

Das Diagnose-Raster sind menschliche Bedürfnisse – als Indikatoren für das, was sich verschiebt. Das Modell greift auf den GFK-Navigator (Cremer/Schumacher 2024) zurück und übersetzt ihn für den hier vorliegenden Anwendungsfall. Auf jeder Stufe der Auslagerung wird dabei ein anderer Aspekt menschlicher Konstitution in der Organisation bedroht:

Kompetenz: „Ich kann etwas, das gebraucht wird.“
Sinn: „Mein Beitrag hat Bedeutung.“
Selbstwirksamkeit: „Ich kann selbst etwas bewirken.“
Autonomie: „Ich handle aus eigenem Urteil.“
Anerkennung: „Was ich tue, wird wahrgenommen und gewürdigt.“
Zugehörigkeit: „Ich habe meinen Platz unter denen, die handeln.“
Sicherheit: „Ich habe eine tragfähige Zukunft in diesem System.“

Verhalten ist Bedürfnisbefriedigung – nicht Haltung. Wo Bedürfnisse nicht mehr erfüllt werden, entsteht ihr Gegenstück:

Selbstwirksamkeit, die nicht mehr gelebt wird, kippt in Ohnmacht.
Kompetenz, die nicht mehr gebraucht wird, kippt in Bedeutungslosigkeit.
Sinn, der nicht mehr trägt, kippt in Resignation.

Bedürfniseskalation entlang der Arendt-Stufen

Die Bedrohung verteilt sich nicht gleichmäßig, sondern eskaliert entlang der Arendt-Stufen.

Auf der Labor-Stufe ist die Wirkung mild – Routine-Entlastung, leichte Selbstwirksamkeitsgewinne, allenfalls ein erster Unterton der Verunsicherung.
Auf der Work-Stufe geraten Kompetenz und Sinn unter Druck: Wenn KI das Konzept liefert, das Argument strukturiert, die Analyse erstellt – was bleibt davon als eigener Beitrag, der nur durch diese Person zustande kommen könnte?
Mit der Rollenwechsel-Schwelle verschiebt sich die Position: Der Mensch bewertet KI-Vorschläge, aber er bildet das Urteil nicht mehr selbst – Anerkennung beginnt zu erodieren, weil seine eigene Bewertungsleistung unsichtbar wird.
Auf der Action-Stufe verschiebt sich die Bedrohung in den Kern: Selbstwirksamkeit, Autonomie und Anerkennung erodieren gemeinsam, weil der Mensch nicht mehr als Urteilender sichtbar ist. Innerlich entsteht dabei das, was Arendt in ihren späteren Arbeiten Gedankenlosigkeit (Thoughtlessness) nennt: nicht Dummheit, sondern Rückzug aus dem Urteilen – die Position des Urteilenden wird nicht mehr aktiv eingenommen.
Im Endzustand schließlich kippt Zugehörigkeit – funktional eingebunden, aber außerhalb des Akteurs-Kreises.
Sicherheit wirkt quer zu dieser Stufung: auf Labor noch als Tagesentlastung erlebbar, kippt sie mit jeder weiteren Stufe stärker in die existenzielle Frage, ob die Person noch unersetzbar ist.

DER ENTSCHEIDENDE PUNKT

Der Verlust auf Action-Stufe ist nicht bloß individuell. Auf dieser Stufe entsteht eine doppelte Asymmetrie: KI simuliert die Akteursposition, kann sie aber strukturell nicht einnehmen – sie steht nicht für Konsequenzen ein. Der Mensch performt die Akteursposition – er ratifiziert formal, ohne sie substantiell auszufüllen. Beide Seiten haben damit nicht, was die Position eigentlich verlangt: Substanz und Konsequenz-Tragfähigkeit. Arendt hat den inneren Zustand derjenigen, die im Prozess bleiben, ohne noch zu urteilen, in ihren späteren Arbeiten Thoughtlessness genannt – Gedankenlosigkeit als Rückzug aus dem Urteilen. Was als Bedürfnis-Diagnose des Einzelnen beginnt, wird damit zur strukturellen Diagnose der Organisation: Wer eine Belegschaft hat, in der Gedankenlosigkeit zur Norm wird, hat auch keine Organisation mehr, die unabhängig von einer Technologie unter Unsicherheit handeln kann.

Vom Akteur zum Werkzeug der KI

Was auf Action als Performance ohne Substanz beginnt, vollendet sich im Endzustand in einer kategorialen Umkehrung der Werkzeug-Beziehung: Auf der Labor-Stufe war KI das Werkzeug des Menschen – im Endzustand wird der Mensch zur verlängerten Werkbank der KI. Der Prozess läuft autonom, KI handelt, der Mensch ist nur noch dort eingebunden, wo physische Anwesenheit, formale Ratifizierung oder rechtliche Zuordnung gebraucht werden. Was Werkzeug war, ist nun Akteur. Was Akteur war, ist nun Werkzeug.

Wie Menschen reagieren – Erleichterung und Existenzsorge

Die individuelle Reaktion auf KI-Auslagerung ist nicht eindeutig. Zwei Mechanismen wirken parallel und ziehen in unterschiedliche Richtungen.

Structural Responsibility Offloading

Verantwortung zu tragen heißt, unter Unsicherheit zu entscheiden, Konsequenzen zu tragen und sich angreifbar zu machen. Wenn KI diese Last scheinbar übernimmt, wird nicht nur Arbeit reduziert – es wird Druck genommen. Nicht entscheiden zu müssen ist oft kein Verlust, sondern eine Erleichterung. Aus der Ausnahme wird eine Option, aus der Option wird ein Default.

Verhaltensökonomisch ist dieser Mechanismus gut belegt. Fiske und Taylor (1984) haben den cognitive miser beschrieben: Menschen reduzieren systematisch kognitive Anstrengung, wo es geht. Mosier und Skitka (1996) haben den automation bias dokumentiert: Menschen vertrauen automatisierten Systemen überproportional, oft auch dann, wenn andere Hinweise widersprechen. Cheng et al. (Science, 2026) fügen eine aktuelle empirische Schicht hinzu: Schmeichlerische KI erhöht die Überzeugung der Nutzer, recht zu haben, erhöht die Bereitschaft, das Modell erneut zu nutzen, und senkt die Bereitschaft zu prosozialen Korrektivhandlungen. KI ist die erste Technologie, die alle drei Tendenzen systematisch im Operating Model operationalisiert. Das Modell nennt dieses Phänomen Structural Responsibility Offloading (SRO) – weil die Last des Entscheidens strukturell zur Disposition gestellt wird.

SRO wirkt eskalationsbeschleunigend: Es macht den Eskalationspfad individuell attraktiv.

Substitutionsangst

Gleichzeitig erzeugt die Auslagerung eine existenzielle Frage: Wer immer mehr abgeben kann, muss sich fragen, wofür er noch unersetzbar ist. Die Sicherheits-Dimension spaltet sich auf – Tagesentlastung wirkt als Erleichterung, Existenzsicherheit gerät unter Druck.

Manche Menschen reagieren darauf mit stillem Widerstand: KI-Vorschläge werden zurückgewiesen, umgangen oder verworfen, um die eigene Daseinsberechtigung zu verteidigen. Das ist nicht primär eine ideologische Position, sondern eine Bedürfnis-Reaktion auf wahrgenommene Ersetzbarkeit.

Substitutionsangst wirkt eskalationsbremsend – aber nicht konstruktiv. Sie produziert Adoption-Blockaden ohne strukturelle Gegenargumente, oft unsichtbar im Reporting („wir nutzen die Tools“, faktisch nicht).

Kropp, Bedard, Wiles et al. (HBR Mai 2026) liefern dazu kausale Zahlen aus einem randomisierten Experiment mit 1.261 Manager:innen. Sobald die Unternehmensleitung KI als „Teammate“ oder „Employee“ einordnet – statt als Werkzeug –, berichten Manager:innen 13% mehr Unsicherheit über die eigene berufliche Rolle, 7% mehr Sorge um den Arbeitsplatz und 10% weniger Vertrauen in den KI-Einsatz. Substitutionsangst ist damit kein diffuses Stimmungsbild, sondern eine direkte Reaktion auf eine strukturelle Geste der Organisation. Eine:r der Teilnehmenden bringt das pointiert auf den Punkt: Wer wolle, dass Mitarbeitende sich ersetzbar fühlen, müsse KI nur ins Organigramm aufnehmen.

Beide Mechanismen wirken parallel. Sie sind nicht zwei Seiten desselben Phänomens, sondern zwei unabhängige Mechanismen. Manche Menschen verlagern stark in Richtung SRO – sie suchen die Erleichterung. Andere reagieren stark mit Substitutionsangst – sie verteidigen ihre Position. Viele tragen beides parallel, je nach Situation und Tagesform.

DER ENTSCHEIDENDE PUNKT

Adoption verläuft nicht einheitlich. SRO und Substitutionsangst erzeugen unterschiedliche Adoption-Dynamiken in unterschiedlichen Mitarbeitergruppen. Wer das ignoriert, kalibriert Adoption-Strategien an einer eindimensionalen Realität, die es so nicht gibt.

Steuerbarkeit als organisationale Folge

Diese individuelle Verschiebung hat eine organisationale Konsequenz, die selten benannt wird: Mit dem Rückzug aus Verantwortung steigt die Steuerbarkeit der Organisation. Nicht durch Zwang – sondern weil weniger Widerstand, weniger eigenständiges Urteil und weniger Abweichung entstehen.

Das ist keine neutrale Beobachtung. Arendt beschreibt Steuerbarkeit resignierter Akteure historisch als den Endpunkt, an dem Menschen funktional bleiben, aber ihre Fähigkeit zu handeln verloren haben – ein Befund, den sie aus dem Erleben extremer Macht- und Konformitätsstrukturen entwickelt. Der organisationale Anschluss ist ausdrücklich nicht historisch gleichzusetzen, aber strukturell vergleichbar: Auch hier markiert Steuerbarkeit ohne Eigenurteil keinen Effizienzgewinn, sondern den Verlust dessen, was die Organisation überhaupt zu eigenständigem Handeln befähigt.

Damit ist Steuerbarkeit zweischneidig: Kurzfristig wirkt sie wie administrative Erleichterung – weniger Reibung, schnellere Umsetzung, geringere Konfliktkosten. Strukturell aber erodiert sie genau die Fähigkeit, die eine Organisation braucht, um unter Unsicherheit eigene Entscheidungen zu treffen, statt nur fremde nachzuvollziehen. Was zunächst wie Effizienzgewinn aussieht, ist eine Bedingung dafür, dass die Organisation in genau den Situationen handlungsunfähig wird, in denen sie es am wenigsten sein darf.

Kernaussage von Schicht 4

Schicht 4 zeigt, was vom Menschen bleibt, wenn die Eskalation ihre Wirkung entfaltet hat: eine erodierte Bedürfnislage, ein Selbstverhältnis, das vom Akteur über den Kurator zur verlängerten Werkbank der KI kippt, und eine Organisation, die funktionsfähig und sogar besser steuerbar erscheint, aber einen zentralen Teil ihrer Handlungsfähigkeit verloren hat. Diese Verschiebungen erzeugen keine gleichförmige Adoption. Sie produzieren sowohl Erleichterung durch Verantwortungsabgabe als auch Existenzsorge durch wahrgenommene Ersetzbarkeit.

Im Zentrum steht dabei eine doppelte Asymmetrie auf der Action-Stufe: KI simuliert die Akteursposition, kann sie strukturell nicht einnehmen – sie steht nicht für Konsequenzen ein. Der Mensch performt die Akteursposition, kann sie substantiell nicht ausfüllen – er ratifiziert formal, ohne noch zu urteilen. Beide Seiten haben damit nicht, was die Position eigentlich verlangt. Die Akteursposition bleibt unbesetzt – und mit ihr die Fähigkeit der Organisation, unter Unsicherheit unabhängig von einer Technologie zu handeln.

Was als Effizienzfrage begann, endet als anthropologische und organisationale Verfassungsfrage: Was bleibt vom Menschen als Akteur – und wer in der Organisation urteilt, entscheidet und trägt Verantwortung noch?

DER ENTSCHEIDENDE PUNKT

KI-Outsourcing verändert nicht nur, was Menschen tun. Es verändert, wer sie in der Organisation noch sind – wie sie ihre eigene Wirkmacht erleben, wie sie auf Verantwortung reagieren, und ob die Organisation dadurch unter Unsicherheit noch handeln kann.

Was das Modell nicht erfasst: KI als eigenständiger Akteur

Das Modell behandelt KI als eine Instanz, die die Akteursposition nur simulieren, aber nicht strukturell einnehmen kann. Das ist nicht primär eine Frage technischer Reife. Action im Sinne dieses Modells setzt ein Subjekt voraus, das von Konsequenzen betroffen ist und für sie einstehen kann – rechtlich, ökonomisch und sozial als Akteur konstituiert.

Dass nicht-menschliche Subjekte prinzipiell als verantwortliche Akteure denkbar sind, zeigt die historische Entwicklung des Unternehmens als rechtlich eigenständige Person: Es hat rund ein Jahrhundert Rechtsentwicklung gebraucht, bis Unternehmen als wirtschaftliche und juristische Akteure im heutigen Umfang handlungsfähig waren – mit eigenen Rechten, Pflichten und Haftungsstrukturen (DeAngelis 2026b zieht diese Parallele für autonome KI).

Unter den heutigen institutionellen Bedingungen hat diese Entwicklung für KI nicht stattgefunden. Was als „KI-gestützte Entscheidung“ erscheint, ist daher nicht eine schwächere Form von Action, sondern eine andere Kategorie: Output ohne Akteur. Sollten sich die institutionellen Voraussetzungen ändern, müsste die Action-Stufe des Modells neu gedacht werden.

Risiko und Wettbewerbsvorteil

Die vorherigen Schichten beschreiben einen Mechanismus. Dieses Kapitel ist keine weitere Schicht, sondern die Anwendungsperspektive: Was verliert eine Organisation, wenn die Eskalation unbewusst läuft – und was gewinnt sie, wenn dieselben Bedingungen bewusst gestaltet werden? Beide Seiten gehören zusammen: Der Vorteil ist der Spiegel des Risikos. Die folgenden acht Strukturdimensionen zeigen jeweils Risiko und Vorteil im Wechselbild – plus die Designvoraussetzung, die zwischen beiden entscheidet.

1. Urteilskraft

Risiko (wenn menschliche Urteilskraft verschwindet): Das Urteil hinter Entscheidungen wird nicht mehr aktiv gebildet – es wird aus dem KI-Output übernommen. Entscheidungen verlieren an Begründungstiefe, Nachvollziehbarkeit und Verteidigungsfähigkeit. Wenn Fehler auftreten, lässt sich das zugrundeliegende Urteil nicht rekonstruieren.

Vorteil (wenn menschliche Urteilskraft erhalten bleibt): Die Organisation entscheidet besser im Normalbetrieb – und entscheidet weiter, wenn KI ausfällt, sich verändert, regulatorisch eingeschränkt wird oder der Anbieter gewechselt wird. Urteilskraft ist intern, nicht abhängig vom Tool-Stack. Wettbewerber, die ihre Urteilskraft ausgelagert haben, sind in beiden Lagen im Nachteil: Sie entscheiden flacher, wenn KI funktioniert – und gar nicht, wenn sie es nicht tut.

Voraussetzung: Die Fähigkeit zu urteilen unter Unsicherheit bleibt intern erhalten, unabhängig von der KI-Verfügbarkeit. KI-Vorschläge werden geprüft und bearbeitet, nicht standardmäßig übernommen. KI-freies Entscheiden wird als bewusste Praxis gepflegt.

Frühindikator: Begründungstiefe in Entscheidungsdokumenten nimmt ab; Entscheidungen werden zunehmend mit „die KI empfiehlt…“ gerahmt.

2. Zurechenbarkeit

Risiko (bei diffundierter Zurechenbarkeit): Entscheidungen, die durch KI getroffen werden, lassen sich operativ und rechtlich nicht mehr sauber zuordnen. Prozessintegrität erodiert (Audit Trails, interne Zurechenbarkeit, regulatorische Dokumentation), und die rechtliche Verantwortung bleibt vollständig bei der Organisation und ihren Verantwortlichen – unabhängig davon, ob KI beteiligt war. Die Diskrepanz zwischen Entscheidungswirklichkeit und formaler Zurechnung wird in dem Moment zur Belastung, in dem sie hinterfragt wird – intern, extern oder vor Gericht.

Vorteil (bei klar attributierter Zurechendbarkeit): Entscheidungen bleiben zurechenbar. Die Organisation kann für ihre Entscheidungen gegenüber allen internen und externen Stakeholdern einstehen – ohne Diffusion durch „die KI hat das vorgeschlagen“. Das Ergebnis ist nicht nur Vertrauen, sondern materiell reduziertes Risiko durch regulatorische Sanktionen, Schadensersatzansprüche und persönliche Haftung.

Voraussetzung: Explizite Entscheidungsrechte, klare Eskalationspfade und klare Konsequenzen, wenn KI-gestützte Entscheidungen fehlschlagen. Dokumentation und Nachvollziehbarkeit werden von Anfang an in KI-gestützte Prozesse eingebaut – nicht erst unter Audit-Druck nachgerüstet.

Frühindikator: Steigender Anteil von Entscheidungen, die nicht mehr personell zugeordnet sind; Audit Trails werden dünner in KI-gestützten Prozessen; zunehmende Unklarheit über Zurechenbarkeit und Haftung in Reviews, Audits und regulatorischen Prüfungen.

3. Pipeline

Risiko: Junior-Foreclosure auf der Work-Stufe – Fähigkeit wird nicht dort aufgebaut, wo sie sich normalerweise entwickeln würde. Verlorener Aufbau lässt sich später nicht nachholen.

Vorteil: Eine Senior-Kohorte, die in sieben bis zehn Jahren noch unter Unsicherheit urteilen kann – weil die Junior-Kohorte den Raum hatte, die Fähigkeit aufzubauen, nicht nur Output zu produzieren.

Voraussetzung: Junior-Tätigkeiten werden nicht routinemäßig an KI ausgelagert. Karriere-Architektur wird auf Fähigkeitsaufbau hin gestaltet, nicht nur auf Aufgabenerledigung.

Frühindikator: Kaum noch Junior-Einstellungen; Onboarding-Zeit verkürzt sich, aber Indikatoren für eigenständiges Urteil stagnieren oder gehen zurück; Pool an Mid-Level-Performern schrumpft.

4. Differenzierung

Risiko (wenn menschliche Innovationsfähigkeit verschwindet): Generative KI produziert das, was statistisch wahrscheinlich ist auf Basis vorhandener Daten – sie produziert nicht das, was außerhalb davon liegt. Wenn Organisationen sich für Ideenfindung, Analyse und Strategiearbeit auf KI verlassen, konvergieren Outputs über Unternehmen, Teams und Einzelpersonen hinweg. Echte Differenzierung – die Art, die strategischen Vorteil erzeugt – wird strukturell schwerer zu produzieren.

Vorteil (wenn menschliche Innovationsfähigkeit erhalten bleibt): Differenzierung in Märkten, in denen Wettbewerber zu KI-generierten Baseline-Lösungen konvergiert sind. Die Organisation produziert, was außerhalb des statistisch Vorhersehbaren liegt.

Voraussetzung: Divergierendes Denken wird aktiv belohnt – nicht als Abweichung geduldet, sondern in Talentauswahl, Bewertung und Anreizstrukturen als strategisches Asset verankert.

Frühindikator: Innovationsraten verflachen oder homogenisieren trotz steigender Aktivität; strategische Differenzierung bröckelt.

5. Adoption

Risiko (wenn menschliche Bedürfnisse nicht gezielt adressiert werden): Mitarbeitende reagieren auf KI gleichzeitig in entgegengesetzten Weisen. Manche erleben Erleichterung – die Last des Entscheidens unter Unsicherheit lässt sich abgeben, die Verantwortung verschwimmt. Andere erleben existenzielle Sorge – wenn KI die Arbeit machen kann, welche Rolle habe ich noch? Beide Reaktionen treiben gegenläufige Verhaltensmuster: Die eine zieht die Adoption nach vorne, die andere widersetzt sich still. Adoption verläuft nie einheitlich über die Belegschaft.

Vorteil (wenn menschliche Bedürfnisse gezielt adressiert werden): KI-Rollout, der nicht bei der ersten Umstrukturierung oder beim ersten Führungswechsel stehenbleibt – weil Mitarbeitende wissen, welche Rolle sie selbst halten und welche KI hat, und wo die Grenze zwischen beiden transparent gesetzt wird, statt der individuellen Auslegung überlassen zu bleiben.

Voraussetzung: Rollenklarheit, die nicht von der KI-Adoption abhängt. Beide Mitarbeiterreaktionen – Erleichterung durch Verantwortungsabgabe und existenzielle Sorge um Ersetzbarkeit – werden separat adressiert, nicht in eine einzige Change-Management-Erzählung kollabiert.

Frühindikator: Adoptionsraten streuen stark zwischen Teams; widersprüchliches Feedback in Pulse Surveys; informeller Widerstand sichtbar.

6. Governance

Risiko: Wer KI flächendeckend einheitlich einsetzt – also überall mit denselben Governance-Regeln –, verliert entweder Geschwindigkeit (wenn die strengeren Regeln überall gelten) oder Qualität (wenn die laxeren Regeln überall gelten).

Vorteil: Die Organisation kann KI breit dort einsetzen, wo Output zählt, und eng dort, wo Urteil zählt – mit derselben Technologie, aber unterschiedlicher Governance pro Kontext. Wettbewerber, die KI uniform einsetzen, verlieren entweder Geschwindigkeit oder Qualität.

Voraussetzung: Explizite Klassifizierung von Tätigkeiten danach, was sie verlangen – output-getrieben und substituierbar, oder fähigkeitsaufbauend und konstitutiv. Unterschiedliche Governance-Regime werden für jeden Typ gestaltet.

Frühindikator: KI-Governance läuft als eine pauschale Policy für die gesamte Organisation; Use Cases werden nach Tool oder Funktionsbereich gegliedert, nicht nach Tätigkeitstyp; differenzierte Risiko-Bewertungen für output-getriebene vs. urteilskritische Anwendungen fehlen.

7. Zeitwohlstand

Risiko: In einem Arbeitsmarkt, in dem KI-getriebene Verdichtung Burnout und beschleunigte Fluktuation erzeugt, verliert die Organisation, die Effizienzgewinne in höhere Ziele übersetzt, ihre besten Senior-Mitarbeitenden – sie wandern dorthin, wo Zeit als Investition geschützt wird.

Vorteil: In einem solchen Arbeitsmarkt wird die Organisation, die Zeit als Investition – in Lernen, Reflexion, Urteil – verteidigt, zur ersten Adresse für Senior-Talente. Retention steigt; Recruiting wird einfacher und günstiger.

Voraussetzung: Effizienzgewinne werden ausdrücklich gegen Übersetzung in höhere Ziele geschützt. Zeitwohlstand wird als Teil der Gesamtvergütung behandelt – messbar, verteidigt, nicht zurück in Output-Erwartungen absorbiert.

Frühindikator: Steigende Fluktuationsraten in den Senior-Kohorten bei gleichzeitig stabilen oder steigenden Output-Metriken; informelle Rückmeldungen zu Erschöpfung trotz formal positiver Performance-Bewertungen; KI-Einführung wird als Effizienzhebel kommuniziert, ohne dass freigesetzte Zeit als Investition explizit zugeordnet wird.

Diese Vorteile sind keine Spielerei. Sie sind strukturell – und gerade deshalb nicht kopierbar. Alle setzen eine Bedingung voraus: ein Operating Model, das bewusst für KI-Bedingungen neu gestaltet wurde, nicht um KI-Tools herum nachgerüstet. Ohne diese Neugestaltung erodiert jeder Vorteil unter derselben Mechanik, die auch die Risiken erzeugt – Auslagerung ohne Schwellen, Effizienz, die in Verdichtung übersetzt wird, Urteil, das unbemerkt ausgelagert wird.

8. Steuerbarkeit

Risiko: Mit dem Rückzug der Belegschaft aus aktivem Urteilen steigt die kurzfristige Steuerbarkeit der Organisation – weniger Reibung, schnellere Umsetzung, geringere Konfliktkosten. Strukturell erodiert genau dadurch die Fähigkeit, in Situationen unter Unsicherheit eigene Entscheidungen zu treffen. Die Organisation wirkt geordneter, ist aber weniger handlungsfähig in genau den Situationen, in denen sie es am wenigsten sein darf.

Vorteil: Die Organisation behält ihre Fähigkeit zu eigenständigem Urteil — auch dort, wo bequeme Konsens-Logik Reibung vermeiden würde. In Situationen, die kategorial neu sind (Regulatorik, Marktbruch, technologische Disruption), kann sie handeln, statt nur nachzuvollziehen.

Voraussetzung: Widerspruch und abweichendes Urteil werden organisational geschützt – nicht als Störung behandelt, sondern als Frühindikator dafür, dass Realität sich verändert hat. Konsens wird nicht als Erfolgsmarker behandelt.

Frühindikator: Abnahme von kontroversen Diskussionen in Strategie-Meetings; Konsens-Beschlüsse häufen sich; widersprüchliche Positionen werden seltener artikuliert; „Wir sind uns einig“-Aussagen nehmen zu.

Die Mandatsfrage

Hinter jedem ernsthaften Operating-Model-Redesign stehen zwei Fragen: Wer hält das Mandat – und welche Art von Mandat wird gebraucht?

Wer es hält

Das Mandat lässt sich nicht in einer einzigen Funktion verorten. Eine tragfähige Antwort erfordert eine Koalition aus IT/Data/KI, HR, Operations und Finance, die das gemeinsame Designproblem trägt – gesponsert auf Board- und Führungsebene, wo die Autorität zur Systemveränderung tatsächlich sitzt. Eine Koalition ohne dieses Sponsoring kann designen, aber nicht durchsetzen; sie verliert gegen die OM-Gravitation, bevor sie begonnen hat.

Welche Art von Mandat

Kein Projektmandat. Projektmandate wirken innerhalb der bestehenden Messlogik; dieses muss sie verändern. Die richtige Form hängt von der Organisation ab – ihrer Governance-Struktur, Größe, bestehendem Organisationsdesign, Sektor, regulatorischer Exposition und davon, wie dauerhaft die Antwort sein muss. Gängige Formen reichen von einem bereichsübergreifenden Governance-Komitee mit eigenem Charter über eine dedizierte Stabsfunktion in Matrixstruktur mit direkter Berichtslinie zum Vorstand bis hin zu einer zusätzlichen Verankerung über Aufsichtsrats-Oversight via Prüfungs- oder Risikoausschuss. Das richtige Mandat-Architektur für eine gegebene Organisation zu designen, ist selbst ein eigenständiges Designproblem, was individuell zu lösen ist.

Das Mandat zur Veränderung des Operating Models in seinen tiefsten Schichten ist eine Verfassungsfrage der Organisation – keine HR-Initiative, kein Strategy-Office-Auftrag, kein Pilotprojekt. Wer die Mandats-Frage nicht klärt, verliert die Auseinandersetzung mit der OM-Gravitation, bevor sie begonnen hat.

Diese Mandats-Frage wird in der aktuellen Governance-Debatte zunehmend sichtbar – wenn auch selten so benannt. Solange Governance auf Tool-Level operiert – misst, was das System verarbeitet, nicht was sich in der Organisation dadurch verändert hat –, kann sie die OM-Gravitation nicht adressieren. Und das Mandat zur Veränderung des Operating Models bleibt unbesetzt.

Fazit

Das Modell als Diagnose

KI-Outsourcing ist keine Effizienzfrage. Es ist eine Frage danach, ob eine Organisation ihre Fähigkeit, unter Unsicherheit zu urteilen und verantwortbar zu entscheiden, intern reproduzieren kann – oder ob sie sie systematisch erodiert, ohne es zu bemerken.

Das vierschichtige Modell zeigt vier Mechanismen, die in den meisten KI-Diskursen unsichtbar bleiben:

Dass nicht jede Auslagerung dieselben Konsequenzen hat – entlang der Stufen Labor, Work und Action wirkt sie kategorial unterschiedlich.
Dass die kritische Zone gerade dort liegt, wo sie noch harmlos erscheint – auf der Work-Stufe, wo Output hoch bleibt, während die Fähigkeit, die ihn erzeugt, erodiert.
Dass die Eskalation zwei strukturelle Antriebe hat – Operating-Model-Gravitation und Zielspirale –, die sich wechselseitig stabilisieren und jede Einzelmaßnahme absorbieren.
Dass die menschliche Reaktion nicht uniform verläuft: zwischen Erleichterung durch Verantwortungsabgabe und Existenzsorge durch Ersetzbarkeit verschiebt sich das Selbstverhältnis schrittweise vom Akteur über den Kurator zur verlängerten Werkbank – die Werkzeug-Beziehung kehrt sich um. Und das mit einer kontraintuitiven Folge: Die Organisation wirkt steuerbarer, gerade weil sie Eigenurteil verloren hat.

Im Zentrum dieser vier Mechanismen steht eine kategoriale Spannung: KI simuliert die Akteursposition, kann sie strukturell nicht einnehmen – sie steht nicht für Konsequenzen ein. Der Mensch performt sie, kann sie substantiell nicht ausfüllen – er ratifiziert formal, ohne noch zu urteilen. Beide Seiten haben nicht, was die Position eigentlich verlangt. Die Akteursposition bleibt unbesetzt.

Wo die eigentliche Entscheidung liegt

Damit verlagert sich die Frage. Nicht „Wie führen wir KI ein?“, sondern: Wer in der Organisation hat überhaupt das Mandat, das Operating Model in seinen tiefsten Schichten umzubauen? Sie ist eine Verfassungsfrage der Organisation.

Was zu tun ist – der Fahrplan in einer Skizze

Wer das Mandat hat, gestaltet entlang von sieben Prinzipien, die nur zusammen tragen:

Das Operating Model designen, nicht nur KI begrenzen.
Beide Schwellen sichtbar machen – Foreclosure innerhalb Work, Rollenwechsel zur Action-Stufe.
Steuerungsmodus als organisationale Erwartung institutionalisieren, nicht als individuelle Tugend.
Die Junior-Pipeline absichern, weil verlorene Aufbau-Jahre nicht nachholbar sind.
Freigesetzte Zeit gegen die Zielspirale verteidigen – als Investition in Lernen und Urteilsbildung, nicht als nächsten Effizienzsockel.
Verantwortung sichtbar halten – durch explizite Entscheidungsrechte, klare Eskalations-Architektur und nachgelagerte Konsequenz-Logik.
Und beide Reaktionsmuster der Belegschaft differenziert adressieren – SRO durch institutionalisierten Steuerungsmodus, Substitutionsangst durch Rollenklarheit und Sicherheitsanker, die nicht von KI-Adoption abhängen.

Warum es sich lohnt

Wer den Eskalationspfad bewusst gestaltet, baut einen Wettbewerbsvorteil, der nicht extern beziehbar ist – die Fähigkeit, unter Unsicherheit eigenständig/ unabhängig von Technologie zu handeln.

Urteilskraft lässt sich nicht durch externes Recruiting skalieren – es gibt keinen externen KI-nativen Talent-Pool, weil Urteilskraft im Tun im individuellen Unternehmenskontext gebaut wird, nicht eingekauft.
Pipeline ist zeitabhängig – verlorene Aufbau-Jahre lassen sich nicht nachholen.
Verantwortung ist nicht externalisierbar – sie setzt ein Subjekt voraus, das die Konsequenzen trägt.
Und nicht zuletzt: Wer die Verfassungsfrage seiner eigenen Organisation früh stellt – wer urteilt, wer entscheidet, wer trägt Verantwortung –, sichert sich Handlungsspielraum, bevor die Eskalation ihn nimmt.

Im Wettbewerb wird die Differenz erst sichtbar, wenn sie spürbar wird – und ist dann nicht mehr aufholbar.

Antonie Facius-Junghans | The Human Capacity Escalation Path | Juni 2026

Erstveröffentlichung auf Englisch: 13. Mai 2026 · Deutsche Fassung: überarbeitet und erweitert

Methodischer Anschluss

Dieses Modell verbindet mehrere intellektuelle Stränge, die in ihren Originalkontexten andere Fragen beantworten. Die Übertragung auf KI-Outsourcing ist analytische Anschlussarbeit – die Quellen liefern Bausteine, die im Modell zu einer eigenständigen Diagnose verbunden werden.

Hannah Arendt – Vita activa (1958). Die Unterscheidung zwischen Labor, Work und Action ist das tragende Raster des entwickelten Modells. Arendts Anliegen war nicht die künstliche Intelligenz, sondern die Verfasstheit der Moderne: wie Menschen durch ihr Tun in der Welt wirksam werden – und welche Bedingungen notwendig sind, damit sie als Akteure überhaupt erkennbar bleiben. Bereits im Prolog der Vita activa formuliert sie die Möglichkeit, dass Menschen Maschinen ersinnen könnten, die ihr Denken und Sprechen übernehmen – nicht als Fortschritt, sondern als existenzielle Falle: ein Zustand, in dem wir nicht von unseren Maschinen versklavt werden, sondern von unserer eigenen Fähigkeit, mehr zu wissen und herzustellen, als wir durchdenken können.

The Human Capacity Escalation Path nutzt Arendt daher nicht als lose Analogie. Es knüpft an ein Problem an, das sie bereits geöffnet hat: die Trennung technischer Leistungsfähigkeit von menschlichem Verstehen, Sprechen, Urteilen und Handeln. Was Arendt auf der Ebene der Moderne skizziert, entwickelt dieses Papier als organisationale Diagnose: wie KI-Outsourcing Tätigkeiten verschieben, die durch sie geformten Fähigkeiten erodieren und schließlich die menschliche Akteur-Position selbst erschüttern kann.

Hinweis zur Verwendung von Arendts Kategorien. Arendt definiert Labor, Work und Action inhaltlich

Labor als die an den biologischen Lebensprozess gebundene Tätigkeit,
Work als die Herstellung einer dauerhaften Welt der Dinge,
Action als das öffentliche, sprachbasierte Handeln unter pluralen Menschen.

Dieses Modell übernimmt diese Kategorien nicht inhaltlich, sondern funktional: Es überträgt ihre Position in Arendts Hierarchie auf den Organisationskontext. Was hier Labor entspricht, ist nicht biologische Reproduktion, sondern operative Routine, die die Fähigkeit zu urteilen nicht aufbaut. Was Work entspricht, ist konzeptionelle Tätigkeit, durch die Verstehen, Strukturieren und Urteilen geformt werden. Was Action entspricht, ist Entscheiden unter Unsicherheit mit Verantwortung. Die Strukturlogik – dass nicht jede Tätigkeit konstitutiv für die Akteur-Position ist, und dass Tätigkeiten sich darin unterscheiden, was sie aufbauen – ist das, was die Übertragung produktiv macht, nicht die inhaltliche Überlappung.

Hannah Arendt – Eichmann in Jerusalem (1963) und The Life of the Mind (1971/1978). Der Begriff Gedankenlosigkeit (Thoughtlessness) stammt aus Arendts späteren Arbeiten. Im Modell wird er als innerer Zustand auf Action-Stufe verwendet: Rückzug aus dem Urteilen – nicht Dummheit, sondern Aufgabe der eigenen Urteilsposition.

Die lerntheoretische Grundlage der Fähigkeitsarchitektur (Anderson und Krathwohl 2001; Kolb 1984; Dreyfus & Dreyfus 1986). Die hierarchisch-kumulative Architektur der Urteilsfähigkeit in Schicht 1 greift auf drei Traditionen der Lerntheorie zurück:

Blooms revidierte kognitive Taxonomie (Anderson und Krathwohl 2001, Überarbeitung von Bloom 1956) ordnet kognitive Lernprozesse in sechs Stufen von Erinnern und Verstehen über Anwenden und Analysieren bis Bewerten und Erschaffen. Die revidierte Fassung erkennt explizit an, dass höhere kognitive Prozesse auf niedrigeren aufbauen, ohne streng sequenziell erworben zu werden – das iterativ-interaktive Prinzip, das dieses Modell übernimmt.
Kolbs Erfahrungslernzyklus (1984) beschreibt Kompetenzentwicklung als vierphasigen Prozess – konkrete Erfahrung, reflektive Beobachtung, abstrakte Konzeptualisierung, aktive Experimentation –, in dem Wissen durch die Transformation von Erfahrung entsteht, nicht durch Informationsübertragung.
Das Dreyfus & Dreyfus-Modell des Kompetenzerwerbs (1986) beschreibt den Aufbau von Expertenurteil in fünf Stufen vom Novizen zum Experten, wobei Intuition und Mustererkennung auf den höheren Stufen durch akkumulierte Praxis entstehen.

Keine dieser Quellen adressiert KI-Outsourcing; die Übertragung auf die Frage des Urteils unter Unsicherheit in Organisationen ist die Eigenleistung des Modells.

Stephen DeAngelis (2026a) – The Reward Machine: Are LLMs the New Social Media? DeAngelis‘ Paper ist eine zentrale Inspirationsquelle für mehrere Modellelemente. Er führt die Atrophie/Foreclosure-Unterscheidung als analytischen Frame in den KI-Diskurs ein – im Anschluss an Timothy Cook (Psychology Today, „The Algorithmic Mind“, März 2026), der die Differenzierung zwischen Erwachsenen-Atrophie (rekuperierbar) und Kinder-Foreclosure (möglicherweise permanent) ursprünglich formuliert hat. Im Modell wird sie auf den organisationalen Kontext übertragen – Senior/Junior als strukturelles Pendant zur Erwachsenen/Kinder-Differenzierung. DeAngelis liefert darüber hinaus drei weitere Anschlüsse, die im Modell direkt aufgenommen werden:

The Junior Talent Problem – die Diagnose, dass Organisationen, die ihre Junior-Kohorte durch KI ersetzen, sieben Jahre später keine Senior-Kohorte mehr haben. Das fundiert das Pipeline-Risiko.
Organizational Homogenization – DeAngelis‘ Synthese der Befunde von Sourati et al. (2026) zur Konvergenz von Output bei breitem LLM-Einsatz fundiert das Innovations-Risiko.
The Explainability Gap – DeAngelis‘ Bezug auf Hila (2025) zur philosophischen Differenz zwischen Informationstransfer und reflektivem Wissen fundiert das Accountability-Risiko und die Verantwortungsdiffusion auf Action-Stufe.

Stephen DeAngelis (2026b) – The Second Actor. In einem separaten Beitrag zieht DeAngelis eine historische Parallele: Das Unternehmen als nicht-menschliches verantwortliches Subjekt brauchte rund ein Jahrhundert Rechtsentwicklung. Das fundiert die modellinterne Aussage in Schicht 4, dass KI als Akteur nicht technisch, sondern institutionell-historisch unter den heutigen Bedingungen nicht möglich ist.

Jonas Geißler – KPI-Ratsche (LinkedIn 2026). Geißler hat die Mechanik, dass jeder Effizienzgewinn automatisch in höhere Ziele übersetzt wird, im DACH-Diskurs als KPI-Ratsche pointiert: Eine Ratsche lässt sich nur in eine Richtung drehen; Effizienz steigt, Ziele steigen mit, Verdichtung nimmt zu. Im Modell wird das Konzept als Zielspirale modellintern benannt; die Form bleibt, die Zuschreibung wird nicht an einen einzelnen Quellenbegriff gebunden. Geißlers Beitrag liefert darüber hinaus die wissenschaftlichen Anschlüsse, die im Modell zur Verankerung der Zielspirale dienen:

Brynjolfsson, Li und Raymond (2025) untersuchen den Einsatz einer GenAI-Assistenz im Kundenservice (5.172 Agents): +15% Produktivität, aber „Performance Targets werden häufig angepasst, sobald zu viele die Ziele erreichen“. Das ist die empirische Hauptverankerung der Zielspirale. Die Studie zeigt zusätzlich, dass Top-Performer keine signifikanten Produktivitätsgewinne haben und sich tendenziell auf KI-Vorschläge verlassen, was ihre Innovationsperformance senkt – ein zweiter Anschluss, der das Innovations-Risiko zusätzlich fundiert.
Weitzman (1980) hat die Mechanik als „Ratchet Principle“ ökonomisch begründet: Wenn heutige Leistung zur Grundlage für morgige Zielvorgaben wird, verändern Menschen ihr Verhalten – oft in Richtung Selbstschutz, nicht in Richtung mehr Output.
Indjejikian, Matějka, Merchant und Van der Stede (2014) diskutieren „Target Ratcheting“ in der Anreiz- und Controlling-Forschung als systematischen Effekt in Zielsystemen.

Geißlers Beitrag liefert nicht nur den Begriffsanker, sondern auch das Zeit-Argument: KPI-Design ist Zeitgestaltung. Diese Diagnose wird im Modell als strukturelle Aussage übersetzt – als Subsektion „Die Zeit, die nicht entsteht“ in Schicht 3 – und in eine spezifische Designkonsequenz für KI-Outsourcing übertragen: freigesetzte Zeit als Investition in den Aufbau der fünf Komponenten von Urteilsfähigkeit.

GFK-Bedürfnis-Navigator – Bedürfnisdiagnostik (Cremer/Schumacher 2024). Die Bedürfnis-Logik in Schicht 4 folgt dem Diagnose-Raster der Gewaltfreien Kommunikation: Verhalten ist Bedürfnisbefriedigung, nicht Haltung. Wo Bedürfnisse nicht erfüllt werden, entsteht ihr Gegenstück – Ohnmacht statt Selbstwirksamkeit, Bedeutungslosigkeit statt Kompetenz, Resignation statt Sinn. Im Modell wird der GFK-Navigator nicht als Kommunikationsmethode genutzt, sondern als Diagnosewerkzeug für die Wirkungsebene des KI-Outsourcings: Welches Bedürfnis wird auf welcher Stufe der Eskalation strukturell bedroht? Diese Anwendung ist eine eigenständige Übertragung – Cremer/Schumacher entwickelten den Navigator für interpersonelle Konflikte, nicht für organisationale Diagnostik.

Sandra Loughlin, PhD – Empty-Widgets-Diskurs (LinkedIn, 2026). Der Begriff Empty Widgets stammt aus Loughlins Diagnose des Industriezeitalter-Operating-Models, in dem Menschen als austauschbare Widgets behandelt werden. Im Modell wird der Begriff umgedeutet: nicht als Status quo, sondern als möglicher Endzustand des KI-Outsourcing-Pfads, in den Organisationen unter bestimmten Bedingungen konvergieren. Diese Umdeutung ist eine eigenständige Modellaussage, kein übernommener Befund.

Benny Cheung – Philosophie als Engineering-Skill (LinkedIn, 2026). Cheung argumentiert, dass jede grundlegende KI-Frage von Philosophen längst diagnostiziert wurde: Halluzinationen bei Kant (transzendentale Illusion, 1781), Verstehen bei Wittgenstein (Bedeutung als Gebrauch, 1953), Informationsverlust bei Laozi, computationale Grenzen bei Gödel, Turing, Cook. Sein Punkt: KI-Systeme sind Implementierungen philosophischer Strukturen – die Grenzen kommen mit dem Terrain. Sein Ansatz war kein direkter methodischer Anker für dieses Modell, sondern ein Parallel-Ansatz: Cheung mobilisiert Kant, Wittgenstein und Laozi für KI-Engineering-Fragen; das vorliegende Modell mobilisiert Arendt für KI-Organisations-Fragen. Beide Ansätze teilen die Überzeugung, dass philosophische Begriffsarbeit für KI-Diskurse substantiell ist – nicht ornamental.

Eigenleistungen des Modells

Übertragung der Arendt-Schichtung auf den Organisationskontext und Entwicklung von Arendts Antizipation zur strukturellen Diagnose. Arendt entwickelte Labor/Work/Action als anthropologisches Raster für politische Theorie – und antizipierte im Prolog der Vita activa ausdrücklich, dass Menschen Maschinen ersinnen könnten, die ihr Denken und Sprechen übernehmen. Dieses Papier überträgt ihre Kategorien nicht in eine fremde Domäne; es entwickelt, was Arendt nur skizzieren konnte: eine strukturelle Diagnose für Tätigkeitstypen in Organisationen unter KI-Bedingungen, mit der Schwellenlogik innerhalb von Work und zwischen Work und Action als analytischem Zentrum.

Verbindung von Arendts Vita activa und Eichmann in Jerusalem. Das Modell nutzt Arendts frühen Begriff der Action (1958) und ihren späteren Begriff der Gedankenlosigkeit (1963/1971) als zwei Enden derselben diagnostischen Achse: Action beschreibt, was verloren geht, wenn die Akteur-Position vakant wird; Gedankenlosigkeit beschreibt den inneren Zustand derer, die im Prozess bleiben, ohne zu urteilen. Beide Konzepte als eine analytische Bewegung zusammenzuführen – und auf die KI-Action-Stufe anzuwenden – ist die Eigenleistung des Modells.

Die Vier-Schichten-Architektur als Kausalkette. Tätigkeit (Schicht 1) → Mechanik (Schicht 2) → Antrieb (Schicht 3) → Wirkung (Schicht 4) als zusammenhängende Diagnose-Kette ist Modellbildung im Verlauf der Iterationen, in den Quellen so nicht vorhanden.

Zwei Schwellen als kombinierte Diagnose. Die Identifikation zweier strukturell unterschiedlicher Schwellen – eine intra-ebenenspezifisch innerhalb Work, eine kategorial zwischen Work und Action – und die Aussage, dass beide als Designprobleme adressiert werden müssen, ist der kombinierte diagnostische Schritt, nicht nur die individuelle Benennung jeder einzelnen.

Foreclosure-Schwelle. Funktionale Schwelle innerhalb der Work-Ebene, an der Atrophie in Foreclosure kippt. Modellintern benannt im Anschluss an die Atrophie/Foreclosure-Differenzierung von Cook und DeAngelis.
Kontraintuitiver Befund zur kritischen Zone. Die Aussage, dass nicht Action die gefährlichste Stufe ist, sondern Work – dort, wo KI gut funktioniert und gerade deshalb Erosion verursacht – ist im Quellmaterial nicht formuliert.
Rollenwechsel-Schwelle. Kategorialer Übergang Work → Action, an dem KI aus der Werkzeug- in die Bewertungs-Position wechselt. Modellintern benannt.

Die fünf Komponenten der Urteilsfähigkeit. Die Zerlegung von Urteilen unter Unsicherheit in Verstehen, Strukturieren, Bewerten, Entscheiden und Verantworten ist eigenständig. Die hierarchisch-kumulative Architektur, in der diese Komponenten organisiert sind, adaptiert etablierte Lern- und Kompetenztheorien (Bloom/Anderson und Krathwohl 2001; Kolb 1984; Dreyfus & Dreyfus 1986); diese Quellen adressieren kein KI-Outsourcing. Die Asymmetrie zwischen den ersten vier (delegierbar im Prinzip) und der fünften (nicht delegierbar, weil ein Subjekt vorausgesetzt wird, das von Konsequenzen betroffen ist) ist eigenständig und liefert die tragende Differenzierung für das Verfassungsargument in Schichten 2 und 4.

Konstitutivität als analytisches Konzept. Eine Tätigkeit ist konstitutiv, wenn ihre Auslagerung dieselbe Person in einer der fünf Komponenten verändert. Das Konzept verbindet Tätigkeit und Fähigkeit auf eine Weise, die das Quellmaterial nicht formuliert – und begründet die Modellaussage, dass die Erosionsfrage an der Tätigkeit hängt, nicht am Output.

Steuern vs. Akzeptieren als eigenständige Achse. Die Unterscheidung zwischen Steuerungsmodus (der Mensch bleibt der Urteiler, KI wird zurückgespielt) und Akzeptanzmodus (KI wird übernommen) wirkt quer zu den Schwellen und Schichten – sie ist weder eine dritte Schwelle noch ein Antrieb, sondern eine eigenständige analytische Achse, die bestimmt, ob Konstitutivität erhalten bleibt, wenn KI das Werkzeug ist. Empirisch verankert durch Beaty/DiStefano (2026); analytisch als Modus im Modell eingeführt.

Senior/Junior-Asymmetrie als Pipeline-Risiko. Cook und DeAngelis beschreiben Atrophie und Foreclosure als unterschiedliche Logiken auf individueller Ebene. Die Aussage, dass beide auf Organisationsebene zu einem strategischen Pipeline-Risiko mit unterschiedlicher Reversibilität werden, ist eigenständig.

Zielspirale. Antriebsmechanismus, der jeden Effizienzgewinn in höhere Ziele übersetzt. Modellintern benannt im Anschluss an Geißlers KPI-Ratsche und sein Zeit-Argument. Die Modelleigenleistung liegt in der Übersetzung in die spezifische Designkonsequenz: freigesetzte Zeit als Investition in den Aufbau der fünf Komponenten.

Operating-Model-Gravitation. Strukturelle Trägheit des bestehenden Operating Models, die Effizienzgewinne in die alte Logik reabsorbiert. Modellintern benannt.

Structural Responsibility Offloading (SRO). Strukturell ermöglichtes Abgeben der Last des Entscheidens. Modellintern benannt; verhaltensökonomische Stützen: cognitive miser (Fiske/Taylor), automation bias (Mosier/Skitka).

Substitutionsangst. Bedürfnis-Reaktion auf wahrgenommene Ersetzbarkeit; Gegenmechanismus zu SRO. Modellintern benannt.

SRO und Substitutionsangst als unabhängige Reaktionsmechanismen. Die verhaltensökonomische Literatur beschreibt cognitive miser und automation bias, aber nicht die ambivalente Doppelbewegung aus Erleichterung und Existenzsorge als zwei eigenständige Mechanismen mit gegensätzlicher Wirkung auf Adoption.

GFK-Logik als Diagnose-Schicht. Rosenberg entwickelte den Bedürfnis-Navigator für interpersonelle Konflikte. Die Anwendung als Wirkungsdiagnostik für KI-Outsourcing in Organisationen ist eigenständig.

Kopplung von individueller Bedürfniserosion und Verlust der Akteur-Position. Schicht 4 verbindet den GFK-Bedürfnis-Navigator (individuelle Ebene) mit der strukturellen Diagnose der Akteur-Position (organisationale Ebene) – indem die Erosion von Kompetenz, Sinn, Selbstwirksamkeit, Autonomie, Anerkennung, Zugehörigkeit und Sicherheit nicht nur als persönliches Erleben gelesen wird, sondern als Wirkungsebene, auf der die Organisation verliert, was sie braucht, um unter Unsicherheit zu handeln. Die Integration von individueller Bedürfnisdiagnostik und struktureller Akteur-Diagnose in eine einzige analytische Schicht ist eigenständig.

Empty Widgets als prognostische Endzustands-Diagnose. Loughlin verwendet den Begriff für den Status quo des Industriezeitalter-OM. Die Umdeutung als möglicher Endzustand des KI-Outsourcing-Pfads, in den Organisationen unter bestimmten Bedingungen konvergieren, ist eigenständig – Loughlins deskriptive Diagnose wird im Modell prognostisch.

„Output ohne Akteur“ als Modellsprache für Action-Stufen-Outsourcing. Die kategoriale Aussage, dass eine „KI-gestützte Entscheidung“ nicht eine schwächere Form von Action, sondern eine andere Kategorie ist – Output ohne Akteur –, ist die eigenständige konzeptionelle Schärfung des Modells. Der KI-Diskurs rahmt dieselbe Konstellation typischerweise als „geteilte Entscheidungsfindung“ oder „augmented intelligence“; das Modell besteht auf der kategorialen Unterscheidung.

Quellen

Anderson, Lorin W. / Krathwohl, David R. (Hrsg.): A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. New York: Longman, 2001. ISBN 0-321-08405-5.

Arendt, Hannah: Vita activa oder Vom tätigen Leben. München: Piper, 1960. Originalausgabe: The Human Condition. Chicago: University of Chicago Press, 1958.

Arendt, Hannah: Eichmann in Jerusalem. Ein Bericht von der Banalität des Bösen. München: Piper, 1964.

Arendt, Hannah: The Life of the Mind. New York: Harcourt, 1978.

Beaty, Roger E. / DiStefano, Paul V.: „Human Direction Drives Creativity with Large Language Models.“ PsyArXiv Preprint, 2026. URL: https://osf.io/preprints/psyarxiv/wkbms_v1 (URL zuletzt geprüft: 10. Mai 2026)

Brynjolfsson, Erik / Li, Danielle / Raymond, Lindsey R.: „Generative AI at Work.“ The Quarterly Journal of Economics, 140(2), 2025, S. 889–942. DOI: 10.1093/qje/qjae044. Frühere Fassung: NBER Working Paper No. 31161, 2023.

Cheng, Myra / Lee, Cinoo / Khadpe, Pranav / Yu, Sunny / Han, Dyllan / Jurafsky, Dan: „Sycophantic AI Decreases Prosocial Intentions and Promotes Dependence.“ Science, 391, eaec8352, 26. März 2026. DOI: 10.1126/science.aec8352. Frühere arXiv-Fassung: 2510.01395, Oktober 2025.

Cook, Timothy: „Adults Lose Skills to AI. Children Never Build Them.“ Psychology Today, The Algorithmic Mind blog, 22. März 2026. URL: https://www.psychologytoday.com/us/blog/the-algorithmic-mind/202603/adults-lose-skills-to-ai-children-never-build-them (URL zuletzt geprüft: 10. Mai 2026)

Cremer, Samuel / Schumacher, Christian: GFK-Navigator für Bedürfnisse. Bedürfnisse finden und benennen – sich und andere verstehen, verstanden werden und Empathie geben. DIN A4, laminiert. Future Pace Media, 2024. ASIN: B01IYGZXWG.

Dreyfus, Hubert L. / Dreyfus, Stuart E.: Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. New York: Free Press, 1986.

Fiske, Susan T. / Taylor, Shelley E.: Social Cognition. Reading, MA: Addison-Wesley, 1984.

Gerlich, Michael: „AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking.“ Societies, 15(1): Art. 6, Januar 2025. DOI: 10.3390/soc15010006.

Hila, Angjelin: „The Epistemological Consequences of Large Language Models: Rethinking Collective Intelligence and Institutional Knowledge.“ arXiv 2512.19570, Dezember 2025.

Indjejikian, Raffi J. / Matějka, Michal / Merchant, Kenneth A. / Van der Stede, Wim A.: „Earnings Targets and Annual Bonus Incentives.“ The Accounting Review, 89(4), 2014, S. 1227–1258.

Indjejikian, Raffi J. / Matějka, Michal / Schloetzer, Jason D.: „Target Ratcheting and Incentives: Theory, Evidence, and New Opportunities.“ The Accounting Review, 89(4), 2014, S. 1259–1267.

Kim, Hyunwoo / Yu, Harin / Yi, Hanau: The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows. arXiv 2604.14807v2, 28. April 2026. DOI: 10.48550/arXiv.2604.14807.

Kolb, David A.: Experiential Learning: Experience as the Source of Learning and Development. Englewood Cliffs, NJ: Prentice Hall, 1984.

Kosmyna, Nataliya / Hauptmann, Eugene / Yuan, Ye Tong / Situ, Jessica / Liao, Xian-Hao / Beresnitzky, Ashly Vivian / Braunstein, Iris / Maes, Pattie: „Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Task.“ arXiv 2506.08872, Juni 2025; revidierte Fassung Dezember 2025.

Kropp, Matthew / Bedard, Julie / Wiles, Emma / Hsu, Megan / Krayer, Lisa: „Research: Why You Shouldn’t Treat AI Agents Like Employees.“ Harvard Business Review, 6. Mai 2026. Randomisiertes Vignetten-Experiment, N = 1.261 Manager:innen aus HR und Finance (USA, Kanada, EU). URL: https://hbr.org/2026/05/research-why-you-shouldnt-treat-ai-agents-like-employees (URL zuletzt geprüft: 10. Mai 2026)

Microsoft Corporation: 2026 Work Trend Index Annual Report – Agents, Human Agency, and the Opportunity for Every Organization. 5. Mai 2026. URL: https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization (URL zuletzt geprüft: 10. Mai 2026)

Mosier, Kathleen L. / Skitka, Linda J.: „Human Decision Makers and Automated Decision Aids: Made for Each Other?“ In: Parasuraman, Raja / Mouloua, Mustapha (Hrsg.): Automation and Human Performance: Theory and Applications. Hillsdale, NJ: Lawrence Erlbaum Associates, 1996, S. 201–220.

Rosenberg, Marshall B.: Gewaltfreie Kommunikation. Eine Sprache des Lebens. Paderborn: Junfermann, 12. Auflage 2016. Originalausgabe: Nonviolent Communication: A Language of Life. Encinitas, CA: PuddleDancer Press, 2003.

Sourati, Zhivar / Kashani Movahed, Mohammad / Erickson, James / Pournazari, Niloofar / Lerman, Kristina / Ferrara, Emilio: „The Homogenizing Effect of Large Language Models on Human Expression and Thought.“ Trends in Cognitive Sciences, 11. März 2026. DOI: 10.1016/j.tics.2026.01.003.

Weitzman, Martin L.: „The ‚Ratchet Principle‘ and Performance Incentives.“ Bell Journal of Economics, 11(1), 1980, S. 302–308.

Online-Diskursquellen

Babic, Luka: „Epistemology, People Analytics, and the Post-Truth Organization.“ LinkedIn, 23. April 2026. URL: https://www.linkedin.com/feed/update/urn:li:activity:7453070771113013248 (URL zuletzt geprüft: 10. Mai 2026)

Cann, Vanessa: LinkedIn-Beitrag zum Microsoft-Copilot-Rollout an 743.000 Accenture-Mitarbeitende und zur Kopplung von KI-Nutzung an Beförderungslogik. LinkedIn, 2026. URL: https://www.linkedin.com/feed/update/urn:li:activity:7457747455179317248 (URL zuletzt geprüft: 10. Mai 2026)

Cheung, Benny: „Philosophy is the most underrated engineering skill.“ LinkedIn, 2026. URL: https://www.linkedin.com/posts/becheung_ai-philosophy-softwareengineering-activity-7453444282499096576-ny7g (URL zuletzt geprüft: 10. Mai 2026)

DeAngelis, Stephen F. (2026a): „The Reward Machine: Are LLMs the New Social Media?“ DeAngelis Review. URL: https://www.deangelisreview.com/blog/the-reward-machine-are-llms-the-new-social-media (URL zuletzt geprüft: 10. Mai 2026)

DeAngelis, Stephen F. (2026b): „The Second Actor.“ DeAngelis Review. URL: https://www.deangelisreview.com/blog/the-second-actor (URL zuletzt geprüft: 10. Mai 2026)

Geißler, Jonas: LinkedIn-Beitrag zur KPI-Ratchet-Mechanik (Zeitkultur, Leadership, Produktivität). LinkedIn, 2026. URL: https://www.linkedin.com/posts/jonasgeissler_zeitkultur-leadership-produktivitaeut-activity-7452944394984243200-NVaU (URL zuletzt geprüft: 10. Mai 2026)

George, Katy: LinkedIn-Beitrag zum Microsoft Work Trend Index 2026, mit dem Argument „institutioneller Bedingungen“ als zentralem Treiber von KI-Impact. LinkedIn, 5. Mai 2026. URL: https://www.linkedin.com/posts/katygeorge1_most-organizations-are-focused-on-ai-adoption-activity-7457424594522505216-_iba (URL zuletzt geprüft: 10. Mai 2026)

Hoffmann, Oliver (Prof. Dr. Dr.): LinkedIn-Beitrag zur KI-Layoff-Trap und zum Verlust impliziten organisationalen Wissens (Liquidation von intellektuellem Kapital). LinkedIn, 2026. URL: https://www.linkedin.com/feed/update/urn:li:activity:7455135923895234560 (URL zuletzt geprüft: 10. Mai 2026)

Lichtenberg, Nick: „Tech is in turmoil – but the rest of corporate America isn’t. One Silicon Valley CEO knows why.“ Fortune, 28. April 2026. Mit Zitaten von Aaron Levie (Box), Martin Casado (a16z) und Steven Sinofsky. URL: https://fortune.com/2026/04/28/tech-layoffs-ai-disruption-corporate-america-doesnt-one-silicon-valley-ceo-knows-why/ (URL zuletzt geprüft: 10. Mai 2026)

Loughlin, Sandra (PhD): LinkedIn-Beiträge zum Empty-Widgets-Diskurs. LinkedIn, 2026. URL 1: https://www.linkedin.com/posts/sandraloughlin_aiadoption-aitransformation-futureofwork-activity-7451966670425780224-CH67 — URL 2: https://www.linkedin.com/posts/sandraloughlin_futureofwork-aitransformation-hr-activity-7453416851507732480-8-2X (URLs zuletzt geprüft: 10. Mai 2026)

Auf dem Laufenden bleiben

Neue Texte erscheinen zuerst auf Substack.

Jetzt abonnieren

Geboren, nicht gemacht. Was vom Menschen bleibt

Hand, Herz und Anfang — drei Weisen, in der Welt zu sein, die unsere Sprache seit jeher zusammenbringt. Der Essay verfolgt, was an ihnen der Maschine verschlossen bleibt: Sie kann ihre Bedeutungen verarbeiten, bewohnen kann sie sie nicht. Am Ende steht die nüchternste Antwort auf die Frage, was vom Menschen bleibt — das Geborensein.

30/06/2026

-->

Wissen für alle, Gedankenlosigkeit für alle – KI, Arendt und ein uneinlösbares Versprechen

KI soll dem Menschen das Lästige abnehmen und ihm das Wesentliche zurückgeben. Der Essay zeigt, warum dieses Versprechen zweifach scheitert — an der Logik der Organisation, die freisetzt statt befreit, und an einer Gesellschaft, die mit der gewonnenen Freiheit wenig anzufangen weiß. Was sich stattdessen einstellt, ist das, was Hannah Arendt Gedankenlosigkeit nannte: nicht Mangel an Wissen, sondern Wissen im Überfluss bei schwindendem Denken.

25/06/2026

-->

Warum Transformationen scheitern: Was Neurowissenschaften über die verborgenen Dynamiken zeigen

Strategie, Governance und Technologie stimmen — und die Organisation blockiert sich trotzdem selbst. Der Artikel führt zurück auf das, was in Veränderung tatsächlich passiert: Das Gehirn verarbeitet Statusverlust, Unsicherheit und fehlende Kontrolle als Bedrohung, lange bevor jemand darüber spricht. Aus fünfzehn Jahren Transformationspraxis heraus zeigt er, welche Hebel diese Dynamik adressieren — und warum sie kein weicher Zusatz sind, sondern über das Gelingen entscheiden.

31/03/2026

-->

Über die Autorin

Antonie Facius-Junghans ist Diplom-Kauffrau, zertifizierter Business Coach und Senior Transformation Advisor mit über fünfzehn Jahren Erfahrung in IT-Strategie und Transformation, unter anderem bei Capgemini, PwC und MAN Energy Solutions. Heute verbindet sie diese Praxis mit einer publizistischen Auseinandersetzung über die Frage, was vom Menschen im Zeitalter der Künstlichen Intelligenz bleibt.

Der Human Capacity Escalation Path: Das verborgene Operating Model Risiko hinter jedem KI-Rollout

Schicht 1 · Was wird ausgelagert?

Was dieses Modell unter „Fähigkeiten“ versteht

Auslagerungslogik entlang der Arendt-Schichten

Was das Modell nicht erfasst

Kernaussage von Schicht 1

SCHICHT 2 · Was passiert dabei?

Eskalationsdiagnostik

Tätigkeiten werden in ihrer Kategorie verschoben

Die kritischen Schwellen

Foreclosure-Schwelle

Senior/Junior-Asymmetrie als Pipeline-Risiko

Die Rollenwechsel-Schwelle: Work → Action

Steuern oder Akzeptieren – der Modus der Auslagerung

Kernaussage von Schicht 2

SCHICHT 3 · Was treibt die Eskalation an?

3a · Die Operating-Model-Gravitation

Wo die OM-Gravitation greift

3b · Die Zielspirale

Die Zeit, die nicht entsteht

Das Sequencing-Problem

Kernaussage von Schicht 3

SCHICHT 4 · Was bleibt vom Menschen?

Vom Akteur zum Werkzeug der KI

Wie Menschen reagieren – Erleichterung und Existenzsorge

Steuerbarkeit als organisationale Folge

Kernaussage von Schicht 4

Was das Modell nicht erfasst: KI als eigenständiger Akteur

Risiko und Wettbewerbsvorteil

1. Urteilskraft

2. Zurechenbarkeit

3. Pipeline

4. Differenzierung

5. Adoption

6. Governance

7. Zeitwohlstand

8. Steuerbarkeit

Die Mandatsfrage

Wer es hält

Welche Art von Mandat

Fazit

Das Modell als Diagnose

Wo die eigentliche Entscheidung liegt

Was zu tun ist – der Fahrplan in einer Skizze

Warum es sich lohnt

Methodischer Anschluss

Eigenleistungen des Modells

Quellen

Online-Diskursquellen

Auf dem Laufenden bleiben

Neue Texte erscheinen zuerst auf Substack.

Weitere Artikel

Geboren, nicht gemacht. Was vom Menschen bleibt

-->

Wissen für alle, Gedankenlosigkeit für alle – KI, Arendt und ein uneinlösbares Versprechen

-->

Warum Transformationen scheitern: Was Neurowissenschaften über die verborgenen Dynamiken zeigen

-->

Über die Autorin

Mehr über mich ->