Research · Navigator

Was über KI in Führung und Teams bekannt ist

Ein Recherchestand zu generativer und agentischer KI in Organisations- und Personalentwicklung. Stand 21.10.2026.

Erkenntnisse 10Dimensionen 16Trends 22Szenarien 4Maßnahmen 13

Diese Sammlung trägt fortlaufend Belege aus Forschung und Praxis über den Einsatz generativer und agentischer KI in Organisationen zusammen. Die Belege werden nach Belastbarkeit sortiert und zu zentralen Erkenntnissen verdichtet. Darüber hinaus ordnet die Sammlung die Erkenntnisse den Dimensionen der Organisations- und Personalentwicklung zu und unterscheidet dabei drei Modi des KI-Einsatzes. Trends zeigen, welche Entwicklungen sich abzeichnen, und vier Szenarien, wie Organisationen bis 2033 aussehen könnten. Ein Phasenmodell gibt Orientierung für die gesteuerte Begleitung einer Entwicklung, die in den meisten Organisationen bereits begonnen hat. Ein Überblick über Maßnahmen zeigt, welche Formen der Begleitung nachweislich wirken und welche bisher nur plausibel sind, und das Marktumfeld in DACH, welche Angebote es dafür gibt. Jede Aussage auf dieser Seite trägt eine Evidenzstufe und den Modus, für den sie gilt; ein Klick auf das Kürzel erklärt beide.

Evidenz: A A-nah B C D Modus: Augmentation Delegation Automatisierung

Zehn Erkenntnisse, die den aktuellen Stand der Forschung zu KI in Führung und Teams zusammenfassen

Jede Karte nennt die Evidenzstufe (wie belastbar die Quellen sind), den Modus (für welche Art des KI-Einsatzes die Aussage gilt) und die Quellen mit Link.

A (Feldexperiment, Registerdaten); C für die Firmenzahlen Augmentation

Mit KI-Unterstützung werden einzelne Aufgaben besser, in den Firmenbilanzen ist davon noch wenig zu sehen.

Wenn Fachkräfte mit einem Chat-Assistenten arbeiten, verbessert sich ihre Leistung bei einzelnen Aufgaben deutlich, solange die Aufgabe in dem Bereich liegt, den das Modell gut beherrscht. In einem Feldexperiment mit 758 BCG-Beratern (veröffentlicht im März 2026 in Organization Science) erledigten die Berater mit KI-Unterstützung 12,2 Prozent mehr Teilaufgaben, lieferten 32 Prozent höhere Qualität und brauchten 25 Prozent weniger Zeit. Lag die Aufgabe außerhalb dieses Bereichs, lagen die Berater mit KI im Mittel 19 Prozentpunkte häufiger falsch als die Kollegen ohne KI. Auf Betriebsebene ist davon bisher wenig messbar: Dänische Registerdaten zu rund 25.000 Beschäftigten in 11 Berufen (Befragungen Ende 2023 und Ende 2024) zeigen trotz breiter Nutzung keine Effekte auf Löhne und Arbeitsstunden, die größer als 1 bis 2 Prozent wären.

A (mehrere Experimente, teils Preprints) Augmentation; für Delegation keine Lernevidenz

Mit KI werden Berufseinsteiger schnell gut, ohne KI lernen sie dabei wenig dazu.

Mehrere Experimente zeigen dasselbe Muster. Wer wenig Erfahrung im Fach hat, profitiert am stärksten, solange die KI mithilft: Im Kundensupport eines Softwareunternehmens (rund 5.200 Mitarbeiter, veröffentlicht 2025) stieg die Leistung von Einsteigern mit KI-Unterstützung um 34 Prozent, bei 673 IT-Azubis in Deutschland (2026) um 26 bis 44 Prozentpunkte. Nimmt man die KI wieder weg, bleibt davon bei Einsteigern kaum etwas übrig. Nach drei Monaten Arbeit mit KI hatten in einer Studie mit 133 Patentanwälten (2026) nur die erfahrenen Kollegen auch ohne KI dazugelernt; die Juniors teilten sich in eine Gruppe, die besser wurde, und eine, die schlechter wurde.

A-nah (randomisiertes Feldexperiment, Preprint Mai 2026) Automatisierung mit Ausnahmebehandlung

Wenn ein KI-Agent den Kundenchat führt, entscheidet die Übergabe an den Menschen über die Qualität.

Das bisher einzige randomisierte Feldexperiment mit einem echten KI-Agenten im Betrieb stammt von Alibabas Handelsplattform Taobao (647 Beschäftigte, 680.676 Kundenchats, Preprint Mai 2026). Übernahm der KI-Agent den Chat, sank die Bearbeitungsdauer um 16,8 Prozent, die Kundenbewertung fiel jedoch um 0,41 Punkte. Wie stark die Qualität litt, hing davon ab, wie der Fall zum Menschen zurückkam: Holte ein Mitarbeiter den Chat früh und auf eigene Initiative zu sich, kostete das 0,52 Bewertungspunkte; eskalierte der Algorithmus erst spät einen emotional aufgeladenen Fall, waren es 0,93 Punkte bei 40,8 Prozent längerer Dauer. Die Supervisoren, die solche späten Fälle übernahmen, reagierten messbar langsamer, schrieben weniger Nachrichten und suchten weniger Informationen.

A-nah (Benchmark mit simulierter Prüfung, Scale AI, klinischer Audit-Workflow) Automatisierung mit Ausnahmebehandlung

Beaufsichtigte Delegation kostet Prüfkapazität, die sich aus der Genauigkeit des Modells nicht ablesen lässt.

Der Benchmark READY (Scale AI mit zwei Universitäten, Preprint September 2026) hat 16 Agentensysteme in einem klinischen Prüfworkflow mit 750 Fällen getestet und gefragt, wie viel menschliche Nachkontrolle nötig ist, damit 76 Prozent der Ergebnisse verlässlich sind. 15 der 16 Systeme brauchten dafür eine Nachprüfung von 21,3 bis 100 Prozent aller Fälle durch Menschen. Zwei Modelle mit praktisch gleicher Trefferquote (72,5 und 72,8 Prozent) benötigten 29,6 beziehungsweise 39,2 Prozent Nachprüfung, weil sie unterschiedlich gut erkennen, welche Fälle sie an Menschen abgeben sollten. Die Genauigkeit eines Modells und die Güte seiner Eskalation hängen statistisch nicht zusammen (Korrelation −0,12).

A (Registerdaten, Experimente); A-nah mit Herstellerkonflikt (Telemetrie) Augmentation; Delegation nur Coding unter Entwicklerprüfung

KI-Nutzung verbreitet sich über Vorgesetzte und Kollegen, nicht über Anordnungen.

In dänischen Registerdaten (rund 25.000 Beschäftigte in 11 Berufen, 2023 und 2024) nutzten 83 Prozent der Beschäftigten einen Chat-Assistenten, wenn der Arbeitgeber dazu ermutigte, gegenüber 47 Prozent ohne Ermutigung; das ist ein Zusammenhang, kein nachgewiesener Ursache-Wirkungs-Effekt. Bei Microsofts Einführung von Coding-Agenten für die Kommandozeile (Zehntausende Entwickler, Januar bis April 2026, Telemetriedaten) stieg die Wahrscheinlichkeit, dass ein Entwickler das Werkzeug erstmals nutzt, um 82 Prozent, wenn der direkte Vorgesetzte es nutzte, und um 216 Prozent, wenn Kollegen zwei Hierarchieebenen entfernt es nutzten. Die Nutzung im Kollegenkreis sagte die Erstnutzung stärker voraus als Anordnung, Training oder Demo. Zugleich zahlen Beschäftigte, die ihre KI-Nutzung offenlegen, einen sozialen Preis. In vier präregistrierten Experimenten mit 4.439 Teilnehmern (PNAS, Mai 2025) galten KI-Nutzer als fauler und weniger kompetent, und zwar vor allem bei Bewertern, die selbst keine KI nutzen.

B (ifo, IAB); C (Bitkom, Gartner, Verbands- und Beraterinteresse) alle

Immer mehr Unternehmen nutzen KI, aber nur wenige setzen Agenten ein, und Regeln kommen zu spät.

In Deutschland hat sich die Nutzung in einem Jahr stark verbreitert: In der ifo-Konjunkturumfrage stieg der Anteil der Unternehmen, die KI nutzen, von 40,9 Prozent (2025) auf 54,5 Prozent (Mai 2026; Stichprobengröße nicht veröffentlicht); in der Bitkom-Befragung von 603 Unternehmen ab 20 Beschäftigten (Sommer 2026) von 36 auf 57 Prozent. In die Tiefe geht es langsamer: Nur 11 Prozent der Unternehmen, die KI nutzen, planen oder diskutieren, setzen laut Bitkom bereits KI-Agenten ein. Weltweit erwägen, pilotieren oder betreiben 15 Prozent von 360 befragten IT-Anwendungsleitern in Unternehmen ab 250 Beschäftigten vollautonome Agenten (Gartner, Mai/Juni 2025). Die Regeln hinken hinterher: Von den Betrieben, die generative KI nutzen, hatten laut IAB-Betriebspanel 2025 (rund 15.000 Betriebe) nur 21 Prozent interne Regeln, und 27 Prozent boten Schulungen an.

D (Firmenfälle); C (Befragungen); A nur für das Experiment mit Managern (Absichten) Automatisierung

Stellenabbau durch KI ist belegt, aber nur bei Automatisierung, und die Entscheidung fiel vor der Messung.

Die bekannten Fälle von Personalabbau mit KI-Begründung betreffen durchweg Automatisierung im Kundenkontakt, und in allen Fällen traf das Unternehmen die Personalentscheidung, bevor Qualität und Volumen gemessen waren. Klarna senkte seinen Personalbestand bis Dezember 2024 um 22 Prozent auf rund 3.500 Beschäftigte, überwiegend durch Fluktuation und Einstellungsstopp, und stellte ab Mai 2025 wieder Menschen für den Kundenservice ein, weil die Qualität litt. Die Commonwealth Bank of Australia strich im August 2025 45 Stellen wegen eines KI-Sprachassistenten und nahm das nach einem Monat als Fehler zurück, weil sie das Anrufvolumen falsch prognostiziert hatte. Salesforce meldete im September 2025 einen Abbau im Kundensupport von rund 9.000 auf etwa 5.000 Stellen. In der McKinsey-Umfrage 2026 (1.719 Befragte) erwarten 39 Prozent der Unternehmen einen KI-bedingten Rückgang des Personalbestands, 14 Prozent haben ihn tatsächlich erlebt.

Primärquellen (Rechtsakte, Kommissions-Q&A); A (Urteil, Chatbot, kein Agent) alle

Die Fristen der KI-Verordnung stehen fest; für KI-Agenten gibt es im Betrieb noch keine eigenen Regeln.

Die Pflicht zur KI-Kompetenz nach Artikel 4 der KI-Verordnung gilt für Unternehmen seit dem 2. Februar 2025. Mit der Digital-Omnibus-Verordnung (EU) 2026/1744 vom 8. Juli 2026, in Kraft seit dem 27. Juli 2026, hat der Gesetzgeber den Wortlaut abgeschwächt: Unternehmen müssen „Maßnahmen ergreifen“, um KI-Kompetenz zu fördern; ein Zertifikat oder eine Wissensprüfung verlangt die Kommission ausdrücklich nicht. Die nationalen Aufsichtsbehörden sind seit dem 2. August 2026 zuständig, und nationale Sanktionen bleiben nach der Kommissions-Q&A möglich. Die Hochrisiko-Pflichten für Systeme nach Anhang III, darunter Personalauswahl und Leistungsbewertung, greifen ab dem 2. Dezember 2027, die für Anhang I ab dem 2. August 2028.

Lücke; A für die Coaching-Experimente alle

Genau dort, wo das Angebot ansetzt, gibt es noch keine Messdaten.

Für vier Fragen, die ein Adaptionsprogramm beantworten müsste, liefert keine der ausgewerteten Quellen eine Verteilung oder Zeitreihe. Niemand hat gemessen, wie Unternehmen Rollen und Entscheidungsrechte zwischen Menschen und Agenten verteilen, mit welchen Kennzahlen sie die Aufsicht über Agenten steuern, wie sie die Leistung von Beschäftigten beurteilen, deren Ergebnisse ein Agent erzeugt hat, und wie sich die Rolle der Personalentwicklung verändert. Ausgangswerte für Eingriffsquote, Erkennungsquote und Rückfallquote (wie oft Menschen eingreifen, Fehler erkennen oder Fälle an Menschen zurückgehen) fehlen in jeder Quelle. Auch ein verbreitetes Produktversprechen hält der Prüfung nicht stand: KI-Coaching für Führungskräfte zeigte in einem randomisierten Experiment mit 114 Führungskräften (HRDI, Februar 2026) keinen messbaren Effekt gegenüber der Kontrollgruppe, während menschliches Coaching deutlich wirkte; in der KI-Gruppe brachen 12 von 37 Teilnehmern ab, in der Kontrollgruppe 1 von 38.

C/D (Anbieterseiten, Marktforschung) —

Der Beratungsmarkt deckt die Breite ab; Delegationsregeln und Aufsichtskennzahlen bietet niemand an.

Die Managementberatung in Deutschland setzte 2025 nach BDU-Angaben 49,0 Milliarden Euro um, ein Plus von 0,5 Prozent; die KI-Beratung wuchs mit 18,8 Prozent am schnellsten (Lünendonk-Studie 2026, Befragung von 68 Beratungen). Besetzt sind die Positionen AI Change Management, Copilot-Adoption mit Champions, AI Literacy als Pflichtschulung nach Artikel 4, das IHK-Zertifikat „KI-Manager“ (je nach Kammer 1.590 bis 3.150 Euro) und Agentic Automation durch Plattformanbieter. Kein Anbieter in DACH bietet nach den gesichteten Angebotsseiten verbunden an: Delegationsregeln je Autonomiestufe für Führungskräfte und Teams, organisatorische Begleitung von Automatisierungsvorhaben ohne technische Umsetzung und ein Kennzahlenset für die Aufsicht über Agenten.

Was die Forschung bisher nicht beantworten kann

Diese Lücken gelten für den gesamten Stand. Evidenzstufe A bezeichnet die belastbarsten Quellen: Feldexperimente, Studien mit Begutachtung durch Fachkollegen (Peer-Review) und Auswertungen amtlicher Daten. Alles darunter sind Befragungen, Berater- und Herstellerberichte oder Einzelfälle.

Zur Automatisierung von Verwaltungsarbeit gibt es keine belastbare Studie. Wenn ein KI-System Büro- oder Verwaltungsaufgaben dauerhaft ohne Einzelauftrag übernimmt, misst bisher keine Studie der Stufe A, was das für die Organisation bedeutet. Die beiden besten Feldexperimente zu KI-Agenten liegen daneben: Bei Alibaba führte ein Agent Kundenchats und übergab schwierige Fälle an Menschen, bei Microsoft prüften Entwickler die Ergebnisse von Programmier-Agenten, bevor sie übernommen wurden.
Keine der empfohlenen Maßnahmen ist gegen eine Alternative getestet. Champion-Netzwerke, Regelwerke für die Delegation an Agenten, Probeläufe im Schatten des echten Betriebs (Shadow Runs) oder Betriebsvereinbarungen: Für keine dieser Maßnahmen gibt es eine kontrollierte Studie, die sie mit einem anderen Vorgehen vergleicht. Alle Aussagen zu ihrer Wirkung beruhen auf plausiblen Mechanismen, auf Zusammenhängen aus Befragungen oder auf Einzelfällen.
Niemand hat Kompetenzverlust über mehr als drei Monate gemessen. Ob Mitarbeitende, die nur noch die Ausnahmefälle eines automatisierten Prozesses bearbeiten, Fertigkeiten, Aufmerksamkeit und Prüfqualität verlieren, ist für KI-Systeme nicht über längere Zeiträume untersucht. Die Warnmuster stammen aus der Luftfahrt, der Medizin und aus älteren Entscheidungssystemen ohne Sprachmodelle.
Für Deutschland, Österreich und die Schweiz gibt es zu KI-Agenten nur Verbreitungszahlen. Verbandsbefragungen sagen, wie viele Unternehmen Agenten einsetzen (Bitkom, September 2026: 11 Prozent der Unternehmen, die KI nutzen), aber keine Studie misst, was der Einsatz bewirkt. Alle Feldstudien zur Delegation an Agenten stammen aus den USA oder China.
Die stärksten Einflussfaktoren auf die Nutzung sind nur als Zusammenhang belegt. Ermutigung durch den Arbeitgeber, das Vorbild der direkten Führungskraft und eine klar kommunizierte Strategie gehen mit deutlich höherer KI-Nutzung einher. Ob sie die Ursache sind, ist offen, weil die Daten entweder Zusammenhänge zeigen oder Absichten abfragen, nicht Verhalten.

Drei Modi des KI-Einsatzes

Augmentation, Delegation und Automatisierung werden in Reports ständig vermischt. Hier sind sie nach Autonomiestufe getrennt; jeder Modus trägt durch die ganze Seite dieselbe Form und Farbe.

Augmentation

Assistenzmodus, human in the loop: „humans collaborate closely with machines to perform a task“ (Raisch & Krakowski 2021, S. 192); Mensch führt aus, System liefert auf Anfrage Entwürfe, Analysen, Varianten; der Mensch bleibt in jedem Schritt beteiligt.

Autonomie: Morris Stufe 1–2 (Tool, Consultant); Feng L1 Operator; Luo L1 Assistance („Humans remain fully responsible for executing and verifying“); Mitchell „simple processor“/„router“; Parasuraman Grad 2–4 (Alternativen anbieten, vorschlagen).
Technik: Chat-Assistenten, Copilots in Office-/IDE-Umgebung; zustandslos, auftragsgebunden, keine Werkzeugausführung ohne Freigabe.
Betrifft: PE primär (Kompetenzmodell, Expertiseaufbau, Lernformate, Beurteilung); OE sekundär (Nutzungsnormen, Kultur, Teamdesign).
Beispiel: Entwurf eines Berichts oder Angebots mit LLM; der Mensch prüft und überarbeitet jeden Abschnitt.

Delegation

Human on the loop: Mensch beauftragt ein agentisches System mit einem mehrstufigen Ziel, setzt Grenzen, prüft Ergebnis oder Ausnahmen; Agentizität = „the degree to which a system can adaptably achieve complex goals in complex environments with limited direct supervision“ (Shavit et al. 2023); Kontrollfluss LLM-gesteuert (Kapoor et al. 2024).

Autonomie: Beaufsichtigte Einzeldelegation (jeder Auftrag geprüft): Feng L2–L3, Luo L2 Partial Autonomy, Morris 3, Parasuraman 5. Laufende Ausführung mit Ausnahmebehandlung: Feng L4 Approver, Luo L3 Conditional Autonomy („humans act as supervisors“), Morris 4 Expert, Parasuraman 6–7.
Technik: LLM-Agenten mit Tool-Use, Planung, Code-/Browser-Ausführung; Computer-Use-Agenten; konfigurierte Copilot-Agenten.
Betrifft: OE (Delegationsregeln, Verantwortungsarchitektur, Rechtekonzept, Rollen, Ausnahmedesign) und PE (Spezifikations-, Prüf- und Aufsichtskompetenz; Art. 14 Abs. 4 KI-VO analog).
Beispiel: Agent recherchiert, erstellt Angebotsentwurf samt Kalkulation im CRM und legt ihn zur Freigabe vor; Supervisor übernimmt eskalierte Kundenchats.

Automatisierung

Human on the loop für Ausnahmen bis out of the loop: „machines take over a human task“ (Raisch & Krakowski 2021, S. 192); die Aufgabe wechselt dauerhaft den Träger. Deterministisch: „[if, then, else] statements on structured data“ (Gartner, zit. in van der Aalst et al. 2018), auditierbar, scheitert an Varianz. Probabilistisch: LLM-basiert, non-deterministisch (Mitchell et al. 2025), bewältigt Varianz, braucht Supervision.

Autonomie: Feng L4–L5 (Approver/Observer; bei L5 „only an emergency off-switch“); Luo L3–L5; Morris 4–5 (5 „not yet unlocked“); Parasuraman 7–10; Mitchell „fully autonomous agent“ (von den Autoren abgelehnt).
Technik: Deterministisch: Workflow-Engines, RPA, Skripte, STP. Probabilistisch: trigger-basierte Agenten ohne Einzelauftrag, Hyperautomation-Suiten, LLM-Klassifikation plus SOP-Ausführung.
Betrifft: OE primär (Arbeitsteilung, Rollenredesign, Verwendung freigesetzter Kapazität, Verantwortungsarchitektur, Mitbestimmung, Kommunikation); PE sekundär (Ausnahmebearbeiter: Vigilanz, Skill Degradation).
Beispiel: Posteingang wird klassifiziert, Standardfälle vollständig beantwortet, nur Ausnahmen gehen an Sachbearbeiter; Echtzeit-Transkription ersetzt Schreibkräfte.

16 Dimensionen und ihre Betroffenheit je Modus

Acht OE- und acht PE-Dimensionen aus den Quellmodellen. Die Zellen zeigen die erwartete Betroffenheit je Modus; eine Zeile öffnet Definition, Leitfrage, Befundblock und die Einflussanalyse mit Evidenzstufe.

hochmittelgering▲ größte Dynamik◌ dünnste Evidenz⇄ gegenläufig AUG/AUT

Dimension	Ebene	Augmentation	Delegation	Automatisierung
Organisationsentwicklung
OE1Strategie und Zweck	O, F	mittel	mittel	hoch
OE2Struktur, Rollen, Entscheidungsrechte ◌	O, T	gering	hoch	hoch
OE3Prozesse und Arbeitsorganisation: Aufgabenzuschnitt, Arbeitsteilung Mensch–System, Automatisierungsgrad ▲ ⇄	O, T	hoch	hoch	hoch
OE4Führung als Systemfaktor: Spannen, Steuerungslogik, Rollenvorbild, Delegationsregeln	F, O	mittel	hoch	mittel
OE5Kultur, Normen, psychologische Sicherheit ⇄	T, O	hoch	mittel	hoch
OE6Zusammenarbeit und Teamdesign (Gestaltungsanteil)	T	hoch	hoch	mittel
OE7Steuerung, Anreize, Metriken	O, F	mittel	hoch	hoch
OE8Organisationale Lernfähigkeit und Wissensmanagement (Regeln, Rollen, Flüsse)	O, T	mittel	hoch	mittel
Personalentwicklung
PE1Bedarfsanalyse und Kompetenzmodelle (inkl. Skills-Taxonomien, KI-Kompetenz)	I, T, O	hoch	hoch	mittel
PE2Qualifizierung und Lernformate (individuell und im Team) ⇄	I, T	hoch	mittel	gering
PE3Förderung: Laufbahn, Nachfolge, Potenzialerkennung ▲ ⇄	I, O	mittel	mittel	hoch
PE4Expertiseaufbau und Erfahrungslernen (Novizen-Experten-Pfad, Mentoring) ▲ ⇄	I, T	hoch	hoch	hoch
PE5Führungskräfteentwicklung (Fähigkeit: Spezifikation, Supervision, Ausnahmebehandlung, Bewertung)	F	mittel	hoch	mittel
PE6Leistungsbeurteilung und Feedback (als Lern- und Entwicklungsinstrument) ◌	I, F	mittel	hoch	mittel
PE7Transfersicherung und Lernkultur	I, T	hoch	mittel	gering
PE8Rolle und Organisation der L&D-/PE-Funktion ◌	O	hoch	mittel	gering

OE1Strategie und Zweck

Organisationsentwicklung

Definition: Die explizite Entscheidung, wofür die Organisation LLM-basierte KI einsetzt, welches Zielbild der Arbeitsteilung gilt und wie freigesetzte Kapazität verwendet wird.
Leitfrage: Kennen Führungskräfte und Teams ein kommuniziertes Zielbild (Augmentation, Delegation, Automatisierung je Prozesstyp) und die Entscheidung über freigesetzte Kapazität, bevor Tools ausgerollt werden?
Instrumente: Strategieklausur, Zielbild der Arbeitsteilung, Use-Case-Portfolio, Business-Case-Review mit Komplementärinvestitionen (J-Kurve)
Quellmodell: Galbraith Strategy; Burke-Litwin Mission and strategy (transformational); 7-S Strategy
Ebene: O, F

Befund bis Oktober 2026

Veränderung: AUG: Nur 25–26 % der US-Beschäftigten kennen eine klare KI-Strategie (Gallup, B); ca. ein Viertel der deutschen Unternehmen hat eine KI-Kompetenzstrategie (B/C); 37 % EBIT-Zuschreibung unverändert, 6 % High Performer (McKinsey, C). DEL: 40 % der Unternehmen ≥ 1 Mrd. USD „skalieren“ Agenten, DE 11 % (Bitkom, C). AUT: zwei Drittel wollen vor allem Kosten senken; 60 % bauten auf erwartete Effekte ab, 2 % auf realisierte (C).
Mechanismus: Entscheidungsebene: Strategie ist die Entscheidung über Arbeitsteilung und Verwendung freigesetzter Kapazität; ohne sie wird Zeitersparnis nicht Wert (EZB, B). J-Kurve: Produktivität erst nach Komplementärinvestitionen in Prozesse, Geschäftsmodelle und Humankapital (Brynjolfsson et al., A).
Widersprüche: MIT NANDA „95 % ohne Return“ beruht auf 52 Interviews und 153 Befragten, bezieht sich auf Automatisierungspiloten (D, Nenner unklar); dagegen Selbstauskunft 74 % positiver ROI (Wharton, C). Beides ist nicht gemessen.
Evidenz: Augmentation B/C; Delegation C; Automatisierung C/D. Kein Stufe-A-Befund verbindet Strategieklarheit kausal mit Ergebnissen.

Einfluss je Modus

Augmentation B/C

Richtung: ◇ Nutzung ↑, Strategieklarheit ↔ (25 %)
Mechanismus: Entscheidung (Zielbild fehlt)
Konflikt: Nutzungsquote vs. Wert (37 % EBIT)

Delegation C

Richtung: ◇ 11 % (DE) bis 40 % (Großunternehmen)
Mechanismus: Entscheidung (Kosten, Skalierung)
Konflikt: Bitkom vs. McKinsey Faktor 4

Automatisierung C/D

Richtung: ◇ Abbauabsicht auf Erwartung (60 %), Realisierung 2 %
Mechanismus: Entscheidung (Kapazitätsverwendung)
Konflikt: Ankündigung vs. Register

OE2Struktur, Rollen, Entscheidungsrechte

Organisationsentwicklung

Definition: Die formale Verteilung von Aufgaben, Rollen, Entscheidungs- und Eingriffsrechten zwischen Menschen und zwischen Mensch und System, einschließlich Rechtekonzepten für Agenten.
Leitfrage: Wer darf welche Aufgabe auf welcher Autonomiestufe abgeben, wer trägt Verantwortung für Ergebnisse, die niemand mehr ausgeführt hat, und ist die Ausnahmerolle als eigene Rolle mit Zeitbudget und Autorität designt?
Instrumente: Rollen- und Stellenredesign, RACI für Agenten, Rechte-/Berechtigungskonzept, Autonomiestufen je Aufgabentyp, Aufsichtsrollen nach Art. 26 Abs. 2 KI-VO
Quellmodell: Galbraith Structure („location of decision-making power“); Burke-Litwin Structure; Cherns boundary location; 7-S Structure
Ebene: O, T

Befund bis Oktober 2026

Veränderung: AUG: Nicht-Kernfachkraft mit KI erreicht Teamniveau (P&G, A); 8,4 % erhalten neue Prüf-/Integrationsaufgaben (A); 22–25-Jährige in exponierten Berufen 19 % unter Kontrafaktum (A deskriptiv). DEL: Rollen („Agent Boss“, AgentOps) nur Herstellerbegriffe (C); Alibaba-Trade-off Supervisor- vs. integrierte Rolle (A Preprint); 188 Schadensfälle durch stehende Berechtigungen (Cyera, D). AUT: Verflachung nur Gartner-Prognose „20 % eliminieren die Hälfte der Mittelmanager bis 2026“ (C).
Mechanismus: Koordinationsebene (Augmentation: Substitution der Fachperspektive im Team) und Entscheidungsebene (Delegation/Automatisierung: Rechtekonzept als Verteilung von Entscheidungs- und Eingriffsrechten an Systeme). Cyera verschiebt das Delegationsrisiko von der Modellwahl ins Rechtekonzept, eine OE-Variable.
Widersprüche: Individueller Copilot-Zugang über sechs Monate veränderte Menge und Zusammensetzung der Aufgaben nicht, nur Zeitbudgets (Dillon et al., 7.137 Beschäftigte, 66 Firmen, A): Ohne Redesign ändert Zugang keine Struktur. Die Gartner-Prognose läuft im Zieljahr 2026 ohne Überprüfung ab.
Evidenz: Augmentation A für Einzelbefunde, keine Strukturstudie; Delegation D für Rollen, A (Preprint) für einen Rollen-Trade-off; Automatisierung C (Prognose), A nur als physisches Prüfmuster. Eine der drei dünnsten Dimensionen.

Einfluss je Modus

Augmentation A (Einzelbefunde)

Richtung: ◇ Nicht-Experte+KI ≈ Team; Einstieg ↓
Mechanismus: Koordination (Besetzung)
Konflikt: Dillon: kein Aufgabenmix-Effekt

Delegation D; A (Pr Rollen-Trade-off)

Richtung: ↑ Bedarf an Eingriffs-/Abbruchrechten
Mechanismus: Entscheidung (Rechtekonzept)
Konflikt: Supervisor- vs. integrierte Rolle

Automatisierung C (P)

Richtung: ∅ gemessen; ↓ Mittelmanagement nur Prognose
Mechanismus: Struktur (Verflachung)
Konflikt: Gartner-Zieljahr läuft ungeprüft ab

OE3Prozesse und Arbeitsorganisation: Aufgabenzuschnitt, Arbeitsteilung Mensch–System, Automatisierungsgrad

Organisationsentwicklung

Definition: Der Zuschnitt von Aufgaben und Prozessschritten und die Entscheidung, welche davon Menschen allein, mit Assistenz, per Delegation oder automatisiert bearbeiten, einschließlich Residual- und Nachbaraufgaben.
Leitfrage: Ist für jede automatisierte oder delegierte Aufgabe definiert, welche Residual- und Nachbaraufgaben beim Menschen bleiben, wie sie geübt werden und wann und wie der Mensch zurückkommt (Eskalationsdesign)?
Instrumente: Task Decomposition, Frontier-Kartierung je Aufgabentyp, Ausnahmedesign, Prozessredesign vor Automatisierung, Mischarbeit/Rotation
Quellmodell: STS/Cherns (minimal critical specification, variance control, multifunctional principle); Galbraith Processes; Burke-Litwin Task requirements; Raisch & Krakowski; Parasuraman Stufen × Grade
Ebene: O, T

Befund bis Oktober 2026

Veränderung: AUG: Frontier-Logik peer-reviewt (758 BCG-Berater: +12,2 % Teilaufgaben, Zeit −22,5 bis −27,6 %, Qualität +32 %; außerhalb 84,5 % vs. 60,0/70,6 % Korrektheit, A); Register 2,8 % Zeitersparnis (A); 67 % sagen, KI übernahm einfachere Aufgaben (C). DEL: OSWorld ca. 78–80 %, TheAgentCompany 30,3 %, CRMArena-Pro Multi-Turn 30–35 %, RLI 2,5–16,1 %. AUT: Alibaba KI-fähige Chats Dauer −16,8 %, Bewertung −0,412; emotionale algorithmische Eskalation −0,928, +40,8 % Dauer (A Preprint).
Mechanismus: Aufgabenebene (Frontier-Kartierung, Zeit) und Koordinationsebene (Eskalationsdesign: Zeitpunkt, Auslöser, Typ der Rückübergabe). Jede Automatisierung erzeugt zwei Augmentationsbedarfe: Ausnahmebehandlung und Nachbaraufgaben. Unterschied zu RPA: Der Ausnahmebehandler prüft Fälle, die der Agent falsch, aber plausibel bearbeitet hat.
Widersprüche: Kompression vs. Spreizung: Kenia-RCT Leistungsstarke +15 %, -schwache −8 % (A); Vaccaro et al.: Mensch-KI g = −0,23, Entscheidung −0,27, Erstellung +0,19 (A). Zeitersparnis (Register) vs. 77 % berichten Mehrarbeit (Upwork, C); WSI: Hälfte keine Änderung (B). Auflösung: Verdichtung als Verschiebung zu komplexeren Resttätigkeiten. Benchmarks 2026 durch Sättigung verzerrt.
Evidenz: Augmentation A, breit; Delegation A/A-nah für Zuverlässigkeit, A-nah (Preprint, ein Setting) für Ausnahmedesign; Automatisierung ohne Ausnahmebehandlung keine Stufe-A-Organisationsstudie. Eine der drei Dimensionen mit größter Veränderungsdynamik.

Einfluss je Modus

Augmentation A

Richtung: ↑ innerhalb Grenze, ↓ außerhalb; Zeit −2,8 % bis −25 %
Mechanismus: Aufgabe (Frontier, Zeit)
Konflikt: Kompression vs. Spreizung; Zeit vs. Verdichtung

Delegation A/A-nah

Richtung: ◇ 80 % kurz / 25–35 % mehrstufig / 2,5–16 % Projekte
Mechanismus: Aufgabe + Koordination (Rückfragen)
Konflikt: Benchmark-Sättigung, Selbstberichte

Automatisierung A (Preprint, 1 Setting)

Richtung: ↓ Dauer −16,8 %, ↓ Qualität −0,41; Eskalationstyp entscheidet
Mechanismus: Koordination (Eskalationsdesign)
Konflikt: so-so automation; Klarna-Rückbau

OE4Führung als Systemfaktor: Spannen, Steuerungslogik, Rollenvorbild, Delegationsregeln

Organisationsentwicklung

Definition: Die strukturell verankerten Erwartungen an Führung: Spannen, Steuerungslogik, sichtbare Nutzung als Norm, Ermutigung und die Autorität, Delegationsregeln zu setzen und zu überstimmen.
Leitfrage: Nutzen Führungskräfte sichtbar und ermutigen sie, setzen sie Nutzungsnormen und Delegationsregeln, und wer entscheidet über Automatisierungsgrad und Kapazitätsverwendung?
Instrumente: Führungsleitlinien zu KI, Ermutigungs- und Vorbildroutinen, Delegationsregelwerk, Span-of-Control-Review, Override-Regeln (MaRisk-analog)
Quellmodell: Burke-Litwin Leadership (transformational) und Management practices (transaktional); Galbraith Entscheidungsmacht; 7-S Style; Feng et al. (Autonomiestufe als Delegationsentscheidung)
Ebene: F, O

Befund bis Oktober 2026

Veränderung: AUG: Häufige Nutzung Leader 67 %, Manager 52 %, ICs 46 % (Gallup, B); Arbeitgeber-Ermutigung: Adoption 47 → 83 %, tägliche Nutzung 8 → 21 % (Humlum & Vestergaard, A); +17 Punkte wahrgenommener KI-Wert bei Vorbild (WTI, C); 48 % der Führungskräfte mehr mentale Belastung (BCG, C). DEL: Führungskräfte mit Agenten vertraut 67 % vs. 40 % Beschäftigte (C, Absichten); Partner am schlechtesten vorbereitet (C). AUT: Duolingo-„AI-first“-Memo und Klarna-Kehrtwende als Backlash-Fälle (D).
Mechanismus: Entscheidungsebene (Freigabe, Ermutigung, Automatisierungsgrad, Kapazitätsverwendung) und Koordinationsebene (Normsetzung). Einziger kausalnaher Führungsbefund ist Ermutigung. Risikokonstellation: Nicht-nutzende Führungskräfte bestrafen Nutzung in der Bewertung; nutzende ohne Normen erzeugen Schatten-KI.
Widersprüche: WTI-Argument „67 % des KI-Impacts organisational, 32 % individuell“ ist Querschnittskorrelation mit zirkulärer Definition (D). Für Führungsspannen, Entscheidungsqualität von Managern mit KI oder KI-gestütztes Feedback gibt es in keinem Modus Stufe-A-Evidenz.
Evidenz: Augmentation A nur für Ermutigung, sonst B/C; Delegation C (Absichten); Automatisierung D (Firmenfälle).

Einfluss je Modus

Augmentation A (Ermutigung), B/C

Richtung: ↑ Adoption +36 Pp bei Ermutigung; Gefälle 67/46
Mechanismus: Entscheidung (Ermutigung)
Konflikt: Vorbild-Effekt nur korrelativ

Delegation C

Richtung: ◇ Absichten; Kompetenzgefälle gegen Hierarchie
Mechanismus: Entscheidung (Delegationsregeln)
Konflikt: keine Spannen-Evidenz

Automatisierung D

Richtung: ↓ Vertrauen bei CEO-Memos ohne Kontext
Mechanismus: Entscheidung (Kommunikation vor Rollout)
Konflikt: BPR-Muster „all-or-nothing“

OE5Kultur, Normen, psychologische Sicherheit

Organisationsentwicklung

Definition: Die geteilten Normen darüber, ob, wann und wie KI genutzt, offengelegt und bewertet wird, und ob Fehler, Nichtwissen und Nutzung ohne Stigma besprochen werden können.
Leitfrage: Wird KI-Nutzung verheimlicht oder sozial bestraft, gibt es aufgabenbezogene Normen („hier erwartet, hier offenzulegen, hier untersagt“), und lesen Beschäftigte Nutzungsaufforderungen als Mitwirkung am eigenen Abbau?
Instrumente: Nutzungs- und Kennzeichnungsnormen, Team-Charta, Kommunikation der Kapazitätsverwendung, Betriebsvereinbarung als Vertrauensinstrument
Quellmodell: Burke-Litwin Organizational culture (transformational) und Work unit climate (transaktional); 7-S Shared values; Galbraith Kultur als Output
Ebene: T, O

Befund bis Oktober 2026

Veränderung: AUG: Beobachter bewerten KI-Nutzer als fauler und weniger kompetent; Strafe kommt von Nicht-Nutzern, verschwindet bei KI-geeigneten Aufgaben (Reif et al., PNAS, N = 4.439, A); 48–52 % verheimlichen Nutzung (C); Workslop 40 % Empfang, 1 h 51 min Nacharbeit (C); positive Emotionen +0,46 SD (P&G, A). DEL: 17 % mehr Delegation, 62 % weniger Edits an KI-Partner (Ju/Aral, A Preprint). AUT: Jobangst 23 % in KI-einführenden Betrieben vs. 18 % (Gallup, B); 42 % der DE-Unternehmen nennen fehlende Akzeptanz als Hemmnis (C).
Mechanismus: Koordinationsebene (Normen, Kennzeichnung, Offenlegung) und Entscheidungsebene (Bewertung durch Nicht-Nutzer). PNAS erklärt die Survey-Zahlen kausal: Strafe ist real, bewerter- und aufgabenabhängig; Normen an Aufgabentypen binden. Bei Automatisierung ist die Kapazitätsverwendung die stärkste Kulturbotschaft (plausible Kausalkette, nicht gemessen).
Widersprüche: Positive Emotionen bei Nutzung (A) vs. Angst in KI-Betrieben (B): beides gilt, für verschiedene Modi. Betriebsräte sehen 73 % Arbeitserleichterung, 32 % mehr Überwachung (IG Metall, B/C). Keine Feldstudie misst Offenlegungsregeln, Nutzungsnormen oder psychologische Sicherheit vor/nach KI-Einführung; keine Replikation von Reif et al.
Evidenz: Augmentation A/C gemischt (A für den Mechanismus); Delegation A (Preprint, Labor) für Delegationsbereitschaft, sonst keine; Automatisierung B (Befragungen), Kausalität ungemessen. Augmentation und Automatisierung wirken hier gegenläufig.

Einfluss je Modus

Augmentation A/C

Richtung: ↓ Offenlegung (48–52 % verbergen); ↑ positive Emotionen
Mechanismus: Koordination (Normen, Strafe)
Konflikt: Strafe nur durch Nicht-Nutzer, nicht bei KI-geeigneten Aufgaben

Delegation A (Preprint, Labor)

Richtung: ↑ Delegation +17 %, ↓ Edits −62 %, ↓ interpersonelle Kommunikation
Mechanismus: Koordination (Delegationsbereitschaft)
Konflikt: Diversity Collapse

Automatisierung B

Richtung: ↑ Jobangst (23 % vs. 18 %); 5 % Einfluss
Mechanismus: Entscheidung (Kapazitätsverwendung als Botschaft)
Konflikt: Erleichterung (73 %) vs. Überwachung (32 %)

OE6Zusammenarbeit und Teamdesign (Gestaltungsanteil)

Organisationsentwicklung

Definition: Teamzuschnitt, Besetzung, Rollen, Zusammenarbeits- und Übergaberegeln, einschließlich der Frage, wer KI-Output prüft und wie Selektions- und Kritikfunktionen gesichert werden.
Leitfrage: Wenn Einzelne mit KI Teamleistung erreichen: Wer prüft, wer wählt aus, wer widerspricht, und wie sind Übergabeformate zwischen Mensch, Agent und Empfänger definiert?
Instrumente: Teamredesign, Review-Rollen, Kennzeichnungs- und Übergabeformate, Persona-/Agentendesign als „social governance“
Quellmodell: Cherns boundary location, compatibility; Galbraith Processes (lateral); Burke-Litwin Work unit climate; Cummings & Worley Work Design
Ebene: T

Befund bis Oktober 2026

Veränderung: AUG: Team ohne KI +0,24 SD, Einzel+KI +0,37 SD, Team+KI +0,39 SD; Teams ohne KI wählen beste Idee zu ca. 50 % vs. 37 % (P&G, A); Copilot-Nutzer unter 187.489 Entwicklern suchen seltener Hilfe (MIT IDE, A). DEL: Mensch-KI-Teams +50 % Output, homogenere Ergebnisse („diversity collapse“), −18 % interpersonelle Nachrichten (Ju/Aral, A Preprint); Multi-Turn-Verluste ca. −20 Punkte (CRMArena-Pro, A). AUT: Alibaba-Spillover auf KI-unfähige Chats (Dauer −1,8 %, Bewertung +0,091, A Preprint); keine Studie zu Mehr-Agenten-Systemen mit Teams.
Mechanismus: Koordinationsebene: KI substituiert einen Teil der Koordinationsleistung (Fachperspektive des Gegenübers, Hilfesuche, Projektmanagement), verbessert aber nicht die Selektion; Delegationsbereitschaft steigt schneller als Prüfintensität. Persona-Design ist „a form of social governance in hybrid teams“ (Yan et al.).
Widersprüche: Dillon et al.: keine Verschiebung in Menge oder Zusammensetzung der Aufgaben durch individuellen Zugang (A). P&G ist ein eintägiger Workshop mit Zweierpaaren einander unbekannter Teilnehmer, ein Unternehmen, ein Modell, remote. Keine unabhängige Replikation, keine Langzeit-Teamstudie, keine Evidenz zu Teamkohäsion oder implizitem Transferlernen.
Evidenz: Augmentation A für Eintags- und Open-Source-Settings; Delegation A (Preprint, Labor/Plattform); Automatisierung A (Preprint, ein Setting). Keine Langzeitevidenz in keinem Modus.

Einfluss je Modus

Augmentation A (Eintag/Open Source)

Richtung: ↑ Qualität Einzel+KI; ↓ Selektion; ↓ Hilfesuche
Mechanismus: Koordination (Substitution Fachperspektive)
Konflikt: keine Langzeit-Teamstudie

Delegation A (Preprint)

Richtung: ↑ Output +50 %; ↓ Diversität
Mechanismus: Koordination (Spezifikationslast)
Konflikt: Delegationsbereitschaft > Prüfintensität

Automatisierung A (Preprint)

Richtung: ◇ Spillover +; Supervisor-Rolle Trade-off
Mechanismus: Koordination (Spillover, Rollenschnitt)
Konflikt: ∅ Mehr-Agenten-Teams

OE7Steuerung, Anreize, Metriken

Organisationsentwicklung

Definition: Die Ziel-, Mess- und Anreizlogik, die bestimmt, was als Erfolg gilt (Nutzung, Zeit, Headcount vs. Qualität, Werterealisierung, Aufsichtsqualität) und über welchen Zeithorizont.
Leitfrage: Werden Erkennungsquote, Eingriffsquote, Rückfallkosten, Qualität und Verwendung freigesetzter Zeit gemessen, oder nur Nutzungsquote, Durchsatz und Headcount, und belohnt das System Output-Menge (Workslop) oder Kompetenzerhalt?
Instrumente: Metrik-Set jenseits Nutzungsquote, Bewertungshorizont für Führungskräfte, Anreizdesign gegen Workslop, Aufsichtsmetriken für Agenten
Quellmodell: Galbraith Rewards; Burke-Litwin Systems, Motivation; Cherns support congruence; 7-S Systems
Ebene: O, F

Befund bis Oktober 2026

Veränderung: AUG: Pass-through 3–7 % der Zeitersparnis in Lohn, 98 % der Adopter ohne Verdiensteffekt (A); 74 % Frontline-Nutzung bei 37 % EBIT-Zuschreibung (C); METR: Entwickler gemessen −19 %, Selbstbericht +20 % (A); 59 % „gar nicht“ ausgeschöpft (Bitkom, C). DEL: Agentenkosten > 6 USD je Aufgabe (TheAgentCompany); ca. 20 % kostenbegrenzt (C); keine Evidenz zu Aufsichtsmetriken. AUT: 39 % erwarten Headcount-Rückgang, 14 % berichten ihn (McKinsey, C); Zielkonflikt Ausnahmebehandler als Kostenstelle und letzte Verteidigungslinie (Prüfmuster).
Mechanismus: Entscheidungsebene: Metrik und Bewertungshorizont bestimmen, ob freigesetzte Zeit Wert wird und ob Kompetenz erhalten bleibt; der Konflikt liegt zwischen Zeithorizonten (Manager vs. Karriere; Caosun & Aral, D), nicht zwischen Mensch und KI. Ein Anreiz- und Steuerungsproblem, kein Trainingsproblem.
Widersprüche: METR 2026: wiederkehrende Entwickler −18 % (CI −38 % bis +9 %), neue −4 %; METR stuft die Folgedaten als „unreliable signal“ ein und stellt das Design um; „METR hat die 19 % widerrufen“ ist eine Fehlinterpretation des Vorzeichens. Der Designwechsel ist selbst ein Befund: Arbeitsmodus verschiebt sich zu paralleler Delegation.
Evidenz: Augmentation A für Pass-through, sonst C; Delegation keine Aufsichtsmetrik-Evidenz; Automatisierung Prüfmuster. Dünn; nahe an den drei dünnsten.

Einfluss je Modus

Augmentation A/C

Richtung: ↔ Lohn (3–7 %); Wahrnehmungslücke +20/−19
Mechanismus: Entscheidung (Pass-through, Horizont)
Konflikt: Nutzung vs. Wert; METR-Fehllesung

Delegation ∅; C (Kosten)

Richtung: ∅ Erkennungs-/Eingriffsquote; Kosten/Aufgabe
Mechanismus: Entscheidung (Aufsichtsmetriken)
Konflikt: Modellgenauigkeit ≠ Teamleistung

Automatisierung (Pr)

Richtung: ◇ Zielkonflikt Kostenstelle/letzte Verteidigungslinie
Mechanismus: Entscheidung (Headcount vs. Aufsicht)
Konflikt: 39 % erwarten, 14 % berichten Abbau

OE8Organisationale Lernfähigkeit und Wissensmanagement (Regeln, Rollen, Flüsse)

Organisationsentwicklung

Definition: Die Regeln, Rollen und Systeme, über die Erfahrungen, Ausnahmefälle und explizites Wissen gesammelt, geteilt und in Prozess- und Modellverbesserung zurückgeführt werden.
Leitfrage: Gibt es einen Rückkanal von Ausnahmefällen und Fehlern in Prozess-, Prompt- und Modellverbesserung, wer besitzt ihn, und welches implizite Wissen geht verloren, wenn KI den Kollegen aus der anderen Funktion ersetzt?
Instrumente: Use-Case-/Prompt-Bibliotheken, Ausnahme-Reviews, Communities of Practice (Strukturanteil), Wissensexplikation für Agenten (RAG-Kuratierung)
Quellmodell: Cherns information flow, incompletion; Cummings & Worley Continuous Change; Galbraith Processes (Information)
Ebene: O, T

Befund bis Oktober 2026

Veränderung: AUG: Silo-Abbau im Output (P&G, A); Qualitätsverlust beim firmeninternen Wissenserwerb mit RAG (A/B); 90 % der DE-Nutzerbetriebe nutzen allgemeine Tools, 6 % Eigenentwicklung (IAB, B); internes Wissensmanagement als Einsatzfeld 22 % (Bitkom, C). DEL: CRMArena-Pro Policy Compliance und Informationsabruf < 50 %, Workflow Execution > 83 % (A); kein Befund zu Rückkanälen. AUT: Skalierungsstopp nach Piloten (Mehrheit ≤ 10 Bots, C/D); Gartner-Prognose > 40 % Abbruch agentischer Projekte bis Ende 2027 (C).
Mechanismus: Koordinations- und Kompetenzebene: KI als Ersatz für den Kollegen aus der anderen Funktion gefährdet implizites Transferlernen (Hoffmann: weniger Hilfesuche); Agenten verlagern Wissensmanagement von implizitem zu explizitem, kuratiertem Wissen.
Widersprüche: Silo-Abbau im Output (P&G) vs. Verlust impliziten Lernens zwischen Funktionen (Inferenz, nicht gemessen). Gartners Abbruchprognose ist mangels Baseline nicht falsifizierbar; gemessene Abbruchquoten realer Agentenprojekte existieren nicht.
Evidenz: Augmentation gemischt A/C; Delegation A-nah (Benchmarks) ohne Organisationsbezug; Automatisierung C.

Einfluss je Modus

Augmentation A/C

Richtung: ↑ Silo-Abbau im Output; ↓ RAG-Wissenserwerb-Qualität
Mechanismus: Koordination + Kompetenz
Konflikt: implizites Transferlernen ∅ gemessen

Delegation A-nah (Benchmark)

Richtung: ↑ Bedarf an Kuratierung; Policy Compliance < 50 %
Mechanismus: Koordination (explizites Wissen)
Konflikt: ∅ Rückkanal-Evidenz

Automatisierung C

Richtung: ◇ Pilot → Stopp (RPA), > 40 % Abbruch (P)
Mechanismus: Koordination (Skalierungsstopp)
Konflikt: Folklore-Zahlen

PE1Bedarfsanalyse und Kompetenzmodelle (inkl. Skills-Taxonomien, KI-Kompetenz)

Personalentwicklung

Definition: Die Bestimmung, welche Fach-, Methoden-, Sozial-, Selbst- und KI-Kompetenzen (Spezifizieren, Prüfen, Verantworten) Personen und Teams je Modus brauchen, und wie der Ist-Stand erhoben wird.
Leitfrage: Enthält das Kompetenzmodell Beurteilungskompetenz für Output außerhalb der Fähigkeitsgrenze, Kalibrierung und Metakognition, und misst die Bedarfsanalyse Prüf- statt Bedienkompetenz?
Instrumente: Kompetenzmodell-Erweiterung (Discernment, Delegation), Skills-Inferenz, unassistierte Assessments, Art.-4-Dokumentation
Quellmodell: Becker Funktionszyklus Phase 1; KODE/DQR-Kompetenzsystematik; Long & Magerko; Anthropic 4D; Art. 4 KI-VO
Ebene: I, T, O

Befund bis Oktober 2026

Veränderung: AUG: Prüfen (Discernment) ist die belegte Lücke: Vertrauen in GenAI korreliert negativ mit kritischem Denken (β = −0,69, Lee et al., CHI 2025, A korrelativ); Juniors markieren Mängel, ohne sie zu beheben (A); Kalibrierungslücke +34,6 Punkte (D/B). Rahmenwerke (Anthropic 4D, Stifterverband) ohne validiertes Messinstrument; Skills-Inferenz (J&J, Telekom) ohne Wirkungsmessung (C/D). DEL: Kompetenzlisten (C); Multi-Turn-Verluste zeigen Spezifikationskompetenz als Engpass (A). AUT: Art. 26 Abs. 2 KI-VO ab 2.12.2027; Casner: kognitive Fertigkeiten verfallen (A physisch).
Mechanismus: Kompetenzebene (neue Kompetenzklasse Discernment, Kalibrierung, Metakognition) und Koordinationsebene (Skills-Inferenz aus Arbeitsartefakten ersetzt Selbstauskunft, mit Mitbestimmungsfolgen nach § 87 Abs. 1 Nr. 6 BetrVG).
Widersprüche: Arbeitgeber in Deutschland sehen Lücken beim Anwenden (nur ca. 20 % bei ethisch-kritischer Bewertung, Stifterverband/McKinsey), Experimente zeigen Lücken beim Prüfen: Diagnosefehler mit PE-Konsequenz, Trainings adressieren Prompting statt Discernment. Keine Validitätsstudie zu KI-Skills-Inferenz; keine peer-reviewte Wirkungsstudie zu Skills-based Organizations.
Evidenz: A für die Lückendiagnose (Assistenz), C für Rahmenwerke, C/D für Skills-Inferenz; Delegation/Automatisierung nur Rahmen und Norm.

Einfluss je Modus

Augmentation A (korrelativ/experimentell)

Richtung: ↑ Prüf-/Kalibrierungsbedarf; ↓ kritisches Denken bei Vertrauen
Mechanismus: Kompetenz (Discernment)
Konflikt: Arbeitgeber sehen Anwendungs-, Experimente Prüflücke

Delegation A-nah; C (Rahmen)

Richtung: ↑ Spezifikationslast (Multi-Turn −20 Pp)
Mechanismus: Kompetenz (Spezifikation)
Konflikt: kein Messinstrument

Automatisierung Norm; A (Pr)

Richtung: ↑ Normpflicht ab 12/2027
Mechanismus: Kompetenz (Aufsichtskompetenz Art. 26)
Konflikt: kognitive, nicht motorische Fertigkeiten verfallen

PE2Qualifizierung und Lernformate (individuell und im Team)

Personalentwicklung

Definition: Die Gestaltung und Durchführung von Lernangeboten, die Kompetenzen für Nutzung, Prüfung und Supervision aufbauen, einschließlich Lernen im Arbeitsfluss und KI-Tutoren.
Leitfrage: Zielt Qualifizierung auf Prüfkompetenz oder Bedienkompetenz, gestaltet sie Nutzungsmuster (Erklären, Nachfragen, Prüfen) statt nur Zugang, und ergänzt sie Arbeitsgestaltung oder ersetzt sie sie?
Instrumente: Rollenspezifische Trainings, Prompting-Formate mit Erklärpflicht, KI-Tutoren, geplante unassistierte Praxis, Teamlernen
Quellmodell: Becker Bildung; Funktionszyklus Phasen 3–4; Instrumente on/near/off the job
Ebene: I, T

Befund bis Oktober 2026

Veränderung: AUG: Arbeitgebertraining stärkster Adoptionshebel (47 → 83 %, A); BCG-Arm mit Prompt-Einführung schnitt außerhalb der Grenze schlechter ab (A); Nutzungsmuster: AI Delegation 39 % vs. Generation-Then-Comprehension 86 % Quiz, KI-Gruppe −17 % (Shen & Tamkin, n = 52, A Preprint); 673 IT-Azubis +26 bis +44 Pp (A); 27 % der DE-Nutzerbetriebe schulen (IAB, B), Bitkom 70 % (C). DEL: keine Evidenz, nur Kompetenzlisten (C). AUT: Automation Bias durch Training allein nicht verhinderbar (Parasuraman & Manzey, A Review); 47 % der US-HR-Manager trainieren mit Automatisierungsziel (C).
Mechanismus: Kompetenzebene: Lernen im Arbeitsfluss findet nur unter bestimmten Interaktionsmustern statt; L&D muss Nutzungsmuster gestalten (Prompts mit Erklärpflicht, Prüfpflichten), nicht nur Zugang schaffen. Für Automatisierung verschiebt Parasuraman & Manzey die Verantwortung von Schulung (PE) zu Arbeitsgestaltung (OE): Prüflast begrenzen, Rotation, Friktion.
Widersprüche: Training als Tool-Einführung kann Overreliance erhöhen (BCG-Arm 3). Bedarf 79 % Kompetenzlücke (Stifterverband) vs. Angebot 27 % (IAB), zugleich „fast zwei Drittel sehen geringes Interesse der Beschäftigten“ und 45 % ohne wahrgenommenen Schulungsbedarf (TÜV, C). Guardrails schützen Lernen, senken aber Komfort und Adoption.
Evidenz: Augmentation A (Adoption, Bildung, Nutzungsmuster), C (Betrieb); Delegation keine; Automatisierung A (Review, physisch).

Einfluss je Modus

Augmentation A

Richtung: ↑ Adoption durch Training; ↓ Lernen bei Delegationsmuster (−17 %)
Mechanismus: Kompetenz (Nutzungsmuster)
Konflikt: Tool-Einführung kann Overreliance erhöhen

Delegation ∅

Richtung: ∅
Mechanismus: Kompetenz

Automatisierung A (Review, Pr)

Richtung: ↔ Automation Bias durch Training allein nicht verhinderbar (klassische Automation, Prüfmuster)
Mechanismus: Arbeitsgestaltung statt Schulung
Konflikt: Training als Automatisierungsvorbereitung (47 %)

PE3Förderung: Laufbahn, Nachfolge, Potenzialerkennung

Personalentwicklung

Definition: Die Steuerung von Einstieg, Laufbahnpfaden, Nachfolge und Potenzialerkennung unter der Bedingung, dass Einstiegsaufgaben substituiert werden.
Leitfrage: Wer wird 2032 Senior, wenn Juniorrollen nicht nachbesetzt werden, und welche Laufbahnpfade erzeugen implizites statt kodifiziertes Wissen?
Instrumente: Laufbahnmodelle, Nachfolgeplanung, Einstiegsrollen-Redesign, Potenzialdiagnostik unter KI-Bedingungen
Quellmodell: Becker Förderung; Instrumente along/into the job; Cummings & Worley Talent Development
Ebene: I, O

Befund bis Oktober 2026

Veränderung: AUT-Exposure USA: 22–25-Jährige in exponierten Berufen 19 % unter Kontrafaktum, Anpassung über Nichtnachbesetzung (Stanford, A deskriptiv); Revelio: Junior-Beschäftigung bei GenAI-Adoptern ca. −9 % (A); Dallas Fed: Job-Finding-Rate junger Eintretender > 3 Punkte gefallen (A/B); Big-Four-Graduate-Intake −6 bis −29 % (D). DACH: IAB kein nachweisbarer KI-Zusammenhang, Konjunktur doppelt so stark (B/A); Indeed: Einstiegsanzeigen Juli 2026 46 % unter 2019, Divergenz ab Frühjahr 2022 (C). AUG: Erfahrene in Augmentationsberufen flach oder steigend (A). DEL: keine Laufbahnevidenz.
Mechanismus: Aufgabenebene → Stellenlogik: Einstiegsaufgaben werden substituiert, Firmen besetzen Juniorrollen nicht nach, die Pipeline dünnt leise aus. Die Stanford-Trennung von Automation- und Augmentation-Exposure ist das stärkste empirische Argument, dass die Arbeitsteilungsentscheidung unmittelbar diese PE-Dimension trifft.
Widersprüche: Yale Budget Lab: „not a large difference“, kein Zusammenhang Exposure–Beschäftigung (B); Chicago Fed: exponierte Berufe 2019–2024 +4,05 % (B); Humlum & Vestergaard: adoptierende Firmen treiben den Rückgang nicht (A). Streit verschoben von „gibt es den Effekt?“ zu „ist er kausal?“. DACH: Einbruch real, aber überdeterminiert; KI-Anteil ist Prüfhypothese. Ausbildungsstellen unberührt.
Evidenz: USA A (deskriptiv, drei Quellen); DACH B; Modus nur über Exposure-Maße trennbar, kein Deployment-Nachweis. Eine der drei Dimensionen mit größter Dynamik; Augmentation und Automatisierung wirken gegenläufig.

Einfluss je Modus

Augmentation A (deskriptiv)

Richtung: ↑ Erfahrene in Augmentationsberufen
Mechanismus: Aufgabe → Stellenlogik

Delegation ∅

Richtung: ∅

Automatisierung A (US); B (DE)

Richtung: ↓ Einstieg −19 % (US), −8/−9 % Adopter; DE kein IAB-Effekt
Mechanismus: Aufgabe → Stellenlogik
Konflikt: Yale/Chicago Fed/Humlum vs. Stanford/Revelio/Dallas Fed

PE4Expertiseaufbau und Erfahrungslernen (Novizen-Experten-Pfad, Mentoring)

Personalentwicklung

Definition: Der Aufbau unassistierter Urteils- und Prüffähigkeit durch Übung an Primärmaterial, Fehlersuche und Begründung, der Novizen zu Experten macht.
Leitfrage: Welche Fertigkeiten dürfen verfallen, welche müssen durch geplante Übung (Mischarbeit, Rotation, Simulation, „slow assignments“) erhalten bleiben, und lernen Junioren noch vom Senior oder nur vom KI-Output?
Instrumente: Deliberate Practice, Mentoring/Reverse Mentoring, Rotation Ausführen/Prüfen, KI-freie Prüfgates, Nutzungsmuster-Diagnostik
Quellmodell: Instrumente on/into/along the job; Morris et al. Risiko De-skilling; Parasuraman skill degradation; Raisch & Krakowski Fähigkeitserosion; Beane (Challenge, Complexity, Connection)
Ebene: I, T

Befund bis Oktober 2026

Veränderung: AUG assistiert: Novizen +34 % (QJE, A), Juniors +27 bis +39 % (Copilot, A), Azubis +26 bis +44 Pp (A). Unassistiert: nach drei Monaten Patenttool +0,32 SD, getragen von Seniors (+0,45 SD), Juniors bifurkieren (Autor et al., n = 133, A); Shen & Tamkin −17 % Verständnis (A Preprint); Codeforces: KI-freie Prüfgates trennen Substitutions- von Komplementnutzung (A/B); Endoskopie: Adenomdetektion −6,0 Pp nach KI-Exposition (Lancet, A beobachtend). DEL: keine Lernevidenz. AUT: nur Prüfmuster (Bainbridge, Casner, Raisch & Krakowski).
Mechanismus: Kompetenzebene: Expertise entsteht durch Fehlersuche, Begründung und Prüfung an Primärmaterial; genau diese Schritte werden bei Volldelegation übersprungen. Seniors haben das Prüfschema und werden durch KI schärfer; Juniors ohne Schema prüfen oberflächlich. Gefahr ist die dauerhafte Substitution des Übens innerhalb der eigenen Könnensgrenze.
Widersprüche: „Novizen gewinnen am meisten“ vs. „Juniors lernen weniger“ löst sich auf: Produktivität mit KI vs. Kompetenz ohne KI. Offloading-Evidenz ist „young, small, and mostly correlational“ (Margondai et al., D); Kosmyna et al. (EEG, n = 54) nicht peer-reviewt. Keine Stufe-A-Längsschnittstudie > 6 Monate; Autor et al. messen drei Monate.
Evidenz: Augmentation A, jung (2026), kurze Zeiträume; Delegation/Automatisierung keine Lernevidenz, nur Prüfmuster (A physisch, A medizinisch-beobachtend). Größte Veränderungsdynamik; Augmentation und Automatisierung wirken gegenläufig.

Einfluss je Modus

Augmentation A, jung, kurz

Richtung: ↑ assistiert (Novizen +34 %); ◇ unassistiert (Seniors ↑, Juniors bifurkiert)
Mechanismus: Kompetenz (Übung an Primärmaterial)
Konflikt: Novizen gewinnen vs. Juniors lernen weniger (aufgelöst)

Delegation ∅

Richtung: ∅; Extrapolation: lernärmstes Muster
Mechanismus: Kompetenz

Automatisierung A (beobachtend, Medizin); A (Pr)

Richtung: ↓ Kompetenz für den unassistierten Fall (−6 Pp Endoskopie)
Mechanismus: Kompetenz (Skill Degradation)
Konflikt: Verwaltung ∅

PE5Führungskräfteentwicklung (Fähigkeit: Spezifikation, Supervision, Ausnahmebehandlung, Bewertung)

Personalentwicklung

Definition: Die individuellen Fähigkeiten von Führungskräften, Aufgaben zu spezifizieren, Delegationsgrenzen zu setzen, Output zu auditieren, Ausnahmen zu behandeln und KI-gestützte Leistung fair zu bewerten.
Leitfrage: Können Führungskräfte „Logik-Audits“ durchführen, Nutzungsmuster im Team gestalten, über Bewertungshorizonte entscheiden und erkennen sie den eigenen Bewerter-Bias gegen KI-Nutzer?
Instrumente: Führungskräfteprogramme zu Delegation/Supervision, Reverse Mentoring (Kompetenzgefälle gegen die Hierarchie), Coaching (menschlich; KI-Coaching nicht belegt)
Quellmodell: Becker Bildung/Förderung; Anthropic 4D; Art. 14 Abs. 4 Fähigkeiten der überwachenden Person
Ebene: F

Befund bis Oktober 2026

Veränderung: AUG: Nicht-nutzende Manager bevorzugen Bewerber ohne KI-Nutzung (Reif, A); Seniors verbessern durch KI-Supervision unassistierte Prüfkompetenz +0,45 SD (A); KI-Coaching-RCT (n = 114): menschliches Coaching d = 0,63/0,75 vs. Warteliste, Chatbot ohne Effekt, Abbruch ca. zehnfach (de Haan et al., A, Interessenkonflikt). DEL: Erwartungen (42 % Multi-Agenten bauen, C); Hernstein: 25 % halten KI-Entscheidungen für „immer richtig“ (C); keine Programmevaluation gefunden. AUT: Supervisoren reduzieren bei später Eskalation messbar Anstrengung (Alibaba, A Preprint).
Mechanismus: Entscheidungsebene (Bewertungshorizont, Delegationsregeln, Freigaben) und Kompetenzebene (Logik-Audit als trainierbare Routine). Ableitbare Kompetenzen, alle aus Assistenz extrapoliert: Prüfschema (Autor), Gestaltung von Nutzungsmustern (Shen/Tamkin), Bewertungshorizont (Caosun/Aral), Normierung offener Nutzung (Reif). Discernment ist erfahrungsabhängig, nicht primär per Kurs vermittelbar.
Widersprüche: 83 % der Führungskräfte sagen, KI erlaube Juniors früher komplexere Arbeit (WTI, C) vs. Junior-Nichtnachbesetzung (A). Frühere KI-Coaching-Studien (Terblanche 2022, Studierende, Prä-LLM) zeigten Effekte, wurden mit Führungskräften nicht repliziert.
Evidenz: Augmentation A punktuell (Bias, Logik-Audit, Coaching-Null), sonst C; Delegation C (Absichten); Automatisierung A (Preprint, ein Setting). Für Delegation eine der dünnsten.

Einfluss je Modus

Augmentation A punktuell

Richtung: ↑ Seniors +0,45 SD; ↓ Bewertung durch Nicht-Nutzer; KI-Coaching ↔
Mechanismus: Kompetenz (Logik-Audit), Entscheidung (Bias)
Konflikt: 83 % erwarten frühere Komplexität vs. Juniorabbau

Delegation C

Richtung: ◇ Absichten; Kompetenzgefälle
Mechanismus: Entscheidung (Delegationsregeln)
Konflikt: ∅ Programmevaluation

Automatisierung A (Preprint)

Richtung: ↓ Anstrengung bei später Eskalation
Mechanismus: Kompetenz (Vigilanz)
Konflikt: Learned Helplessness interpretativ

PE6Leistungsbeurteilung und Feedback (als Lern- und Entwicklungsinstrument)

Personalentwicklung

Definition: Die Beurteilung individueller Leistung und das Feedback dazu unter der Bedingung, dass Output KI- oder agentenvermittelt ist und Selbst- wie Fremdeinschätzung verzerrt sind.
Leitfrage: Misst die Beurteilung verdeckte Mensch-KI-Leistung als Einzelleistung, wird der Ausnahmebehandler an erkannten Fehlern oder an Durchsatz gemessen, und haftet er für Agentenoutput, den er nicht beeinflussen kann?
Instrumente: Beurteilungskriterien für Spezifikations- und Prüfqualität, Kennzeichnungsregeln, Kalibrierungsfeedback, Verbot der Leistungskontrolle über Bot-Daten
Quellmodell: Funktionszyklus Phase 5 Erfolgskontrolle; Cummings & Worley Performance Management
Ebene: I, F

Befund bis Oktober 2026

Veränderung: AUG: Kompetenzmalus bei offengelegter Nutzung erzeugt ein Beurteilungsparadox (Reif, A); KI-Nutzer bei P&G unterschätzen sich um 9,2 Punkte (A); Kompression nimmt Differenzierungskriterien die Trennschärfe (A); Fairness algorithmischer Bewertung kontingent (Cha, A); KI-Manager kürzte Löhne um 40 % ohne Fairnessverlust (Dong et al., A/B Labor); 72 % vermuten KI-generierte Reviews (C/D). DEL/AUT: keine einzige Quelle zu Beurteilung oder Credit Assignment bei agentenvermitteltem Output; Prüfmuster „moral crumple zones“ (Elish), Rubber-Stamp (Green, D).
Mechanismus: Entscheidungsebene (Attribution von Leistung) und Koordinationsebene (Kennzeichnung). Plausibel verschiebt sich Beurteilung bei Delegation von Output auf Spezifikations- und Prüfqualität (Eingriffsquote, erkannte Fehler), was neue Metriken verlangt und mit dem BV-Verbot der Leistungskontrolle über Systemdaten kollidiert. Das ist Inferenz.
Widersprüche: Fairnesswahrnehmung algorithmischer Bewertung ist kontingent, nicht generell positiv oder negativ. Keine Feldstudie dazu, wie Beurteiler mit ungleich KI-gestütztem Output umgehen; keine Studie zu KI-geschriebenen Selbstbeurteilungen.
Evidenz: Augmentation A (Experimente), C (Diffusion), keine Feldstudie; Delegation/Automatisierung keine Quelle. Eine der drei dünnsten Dimensionen.

Einfluss je Modus

Augmentation A (Experimente), keine Feldstudie

Richtung: ↓ Offenlegung; ↓ Selbstkalibrierung (−9,2 Pp); ◇ Kompression
Mechanismus: Entscheidung (Attribution)
Konflikt: Fairness kontingent

Delegation ∅

Richtung: ∅
Mechanismus: Entscheidung
Konflikt: Output vs. Prüfqualität als Maß (Inferenz)

Automatisierung D/(Pr)

Richtung: ∅; „moral crumple zone“
Mechanismus: Entscheidung (Ausnahmebehandler-Maß)
Konflikt: BV-Verbot Leistungskontrolle vs. Aufsichtsmetrik

PE7Transfersicherung und Lernkultur

Personalentwicklung

Definition: Die Bedingungen, unter denen Gelerntes in die Arbeit übergeht und Peer-Lernen stattfindet, einschließlich Offenheit über Nutzung und Fehler.
Leitfrage: Verhindert Verheimlichung Peer-Lernen, trennen KI-freie Prüfgates Komplement- von Substitutnutzung, und korreliert hohe Eigenaktivität plus KI mit Lernen?
Instrumente: Peer-Learning-Formate, Lerngemeinschaften, Transferaufgaben mit und ohne KI, Lernzeitbudgets
Quellmodell: Funktionszyklus Phase 6; Instrumente near the job (Lernstatt, Qualitätszirkel)
Ebene: I, T

Befund bis Oktober 2026

Veränderung: AUG: Verheimlichung (48–52 %, C) verhindert Peer-Lernen; hohe Eigenaktivität plus KI korreliert mit Lernen (Cruces, A); KI-freie Prüfgates trennen Nutzungstypen (Yao, A/B); Vertrauen in eigene Expertise erhöht Prüfsorgfalt (Lee, A korrelativ). DE: Arbeitgeber sehen „geringes Interesse“ (B/C), 36,4 % der Beschäftigten würden gern nutzen, dürfen/können nicht (BAuA, B); 46 % der Nicht-Nutzer wollen weiterarbeiten wie bisher (Gallup, B). DEL: keine Evidenz. AUT: Mitbestimmung verschiebt bei Robotern Verwendung von Abbau zu Weiterbildung (ZEW, A physisch).
Mechanismus: Koordinationsebene (Normen, Offenheit) und Kompetenzebene (unassistierte Assessments als Transfersicherung). Guardrails schützen Lernen und senken zugleich Komfort und Adoption; die Lernkultur entscheidet, ob das akzeptiert wird.
Widersprüche: „Geringes Interesse“ (Arbeitgebersicht) vs. „dürfen/können nicht“ (36,4 %, Beschäftigtensicht). Keine Stufe-A-Studie zu „Learning in the Flow of Work“ im Betrieb.
Evidenz: Augmentation A/B, überwiegend Bildung und Korrelation; Delegation keine; Automatisierung A nur als physisches Mitbestimmungsmuster.

Einfluss je Modus

Augmentation A/B

Richtung: ↓ Peer-Lernen bei Verheimlichung; ↑ bei Eigenaktivität
Mechanismus: Koordination (Offenheit), Kompetenz (Prüfgates)
Konflikt: „geringes Interesse“ vs. „dürfen nicht“ (36 %)

Delegation ∅

Richtung: ∅

Automatisierung A (Pr, physisch)

Richtung: ↑ Weiterbildung in mitbestimmten Betrieben (Roboter)
Mechanismus: Koordination (Mitbestimmung, Kapazitätsverwendung)
Konflikt: Schutzeffekt verschwindet bei Arbeitskräfteknappheit

PE8Rolle und Organisation der L&D-/PE-Funktion

Personalentwicklung

Definition: Mandat, Rolle und Arbeitsweise der L&D-Funktion zwischen Compliance-Schulung (Art. 4), Enablement im Arbeitsfluss, Normsetzung für Nutzungsmuster und Aufsichtsqualifizierung.
Leitfrage: Schult L&D Bedienung oder Prüfung, hinkt das Angebot der Nutzung hinterher, und dient Training dem Kompetenzaufbau oder der Vorbereitung von Automatisierung?
Instrumente: L&D-Mandat und -Rollen, Performance-/Enablement-Modell, Aufsichtsqualifizierung nach Art. 26 Abs. 2, Zusammenarbeit mit Linie und OE
Quellmodell: Becker (PE als Funktion); Cummings & Worley HR Interventions; Funktionszyklus als Steuerungsmodell
Ebene: O

Befund bis Oktober 2026

Veränderung: AUG: Schulung hinkt Nutzung hinterher (IAB: 25 % Betriebsadoption, 31 % Beschäftigtennutzung, 27 % Schulungsangebot, B); Art. 4 KI-VO verlangt Maßnahmen zur KI-Kompetenz, kein Zertifikat, Dokumentation empfohlen (Kommissions-Q&A, Primär); L&D nutzte KI 2023 selbst erst zu 5 % (CIPD, B/C); 47 % der US-HR-Manager trainieren mit Automatisierungsziel (C); Deloitte: 27 % halten Change Management für wirksam (C). DEL/AUT: Art. 26 Abs. 2 KI-VO macht Aufsichtsqualifizierung ab 2.12.2027 zur Pflichtaufgabe; keine Studie zum Rollenwandel der L&D-Funktion mit gemessenen Effekten.
Mechanismus: Koordinationsebene: L&D als Normsetzer für Nutzungsmuster und als Träger der Art.-4-/Art.-26-Dokumentation; Risiko ist Compliance-Training (Pflichtmodul) ohne Kompetenzeffekt, weil Art. 4 Dokumentationspflicht, aber keine Qualitätsnorm schafft.
Widersprüche: „Adaptation into daily work“ (Deloitte) vs. Pflichtschulungen (Art. 4); Bitkom „70 % schulen“ (2026) vs. IAB „27 %“ (2025), nur bedingt vergleichbar. Keine unabhängigen Daten zum KI-Einsatz in L&D-Funktionen 2025/26.
Evidenz: C/D durchgängig; B nur für Angebotsquoten. Eine der drei dünnsten Dimensionen.

Einfluss je Modus

Augmentation B/C

Richtung: ↑ Compliance-Rolle; Angebot hinkt (27 %)
Mechanismus: Koordination (Normsetzung, Art. 4)
Konflikt: Pflichtmodul vs. „adaptation into daily work“

Delegation Norm

Richtung: ↑ Normpflicht ab 12/2027
Mechanismus: Koordination (Aufsichtsqualifizierung)
Konflikt: ∅ Rollenwandel-Evidenz

Automatisierung C

Richtung: ◇ Training als Automatisierungsvorbereitung
Konflikt: Vertrauensrisiko

Grenzfälle der OE/PE-Zuordnung

Psychologische Sicherheit

OE-Seite: Teamnorm, Klima (OE5)
PE-Seite: Führungsverhalten als Lernergebnis (PE5)
Behandlung: OE5 führt den Befund (Reif et al.; Verheimlichung); PE5 nur die Bewerter-Kompetenz

Leistungsbeurteilung und Metriken

OE-Seite: Steuerungslogik, Zielsysteme, Anreize (OE7)
PE-Seite: Feedback als Entwicklungsinstrument (PE6)
Behandlung: Dasselbe Instrument trifft beide Objekte; OE7 führt Metriken und Anreizhorizont, PE6 Beurteilung der Person und Attribution

Skills-Taxonomien

OE-Seite: Rollenarchitektur, Stellenlogik (OE2)
PE-Seite: Bedarfsanalyse (PE1)
Behandlung: PE1 führt Skills-Inferenz; OE2 nur die Verschiebung von Stellen- zu Aufgabenlogik

Delegationsregeln und Verantwortungsarchitektur für Agenten

OE-Seite: Arbeitsteilungsregel, Rechtekonzept (OE2/OE3/OE4)
PE-Seite: erforderliche Beurteilungs- und Aufsichtskompetenz (PE5, PE1)
Behandlung: Art. 14 Abs. 3 KI-VO verlangt beides (Maßnahmen vom Anbieter/Betreiber und Fähigkeiten der Person); OE führt die Regel, PE die Fähigkeit

Communities of Practice, Prompt-/Use-Case-Bibliotheken

OE-Seite: Wissensstruktur und -flüsse (OE8)
PE-Seite: Lernformat (PE2/PE7)
Behandlung: OE8 führt die Struktur, PE7 den Lerneffekt

Onboarding / into the job

OE-Seite: Rolleneinbindung (OE2)
PE-Seite: Lernen (PE3/PE4)
Behandlung: PE3 führt die Einstiegsfrage

PE8 Organisation der L&D-Funktion

OE-Seite: Nach der Grenzregel streng genommen OE (Struktur einer Funktion)
PE-Seite: Vom Prompt als PE-Dimension gesetzt
Behandlung: Als Konvention des Prompts geführt

Ausnahmebehandler-Rolle bei Automatisierung

OE-Seite: Rollen- und Prozessdesign, Zeitbudget, Rotation (OE2/OE3)
PE-Seite: Vigilanz, Prüfkompetenz, Skill Degradation (PE4)
Behandlung: Parasuraman & Manzey (klassische Automation, Prüfmuster): Automation Bias ist durch Training allein nicht verhinderbar, daher führt OE das Design; PE4 den Kompetenzerhalt

Trends und Gegentrends nach Reifegrad

Ein Trend zählt nur mit zwei unabhängigen Quellen unterschiedlichen Typs, sonst bleibt er Signal. Die Spalten ordnen nach Reifegrad; eine Karte öffnet Evidenz, Folgen für Führung und Teams und den Gegentrend.

Bereich Modus

Signal

Delegation, Automatisierung C, A-nah

Agent Operations und Orchestrierungsrollen als neue Funktion (Signal, kein Trend)

OE2, OE3, OE4, PE5

F10

Augmentation C/D; A (Lauf 1 Bewerter-Bias)

Leistungsbeurteilung und Feedback mit KI (Signal in DACH, Trend in den USA)

PE6, OE7, OE5, PE5

Aufkommend

Delegation und Automatisierung C; Primär (Regulierung, Urteil); A (Lauf 1)

Delegationsdesign und Verantwortung ohne Ausführung

OE2, OE4, OE7, PE5, PE6

Augmentation; für agentenvermittelten Output keine Workslop-Daten A (Lauf 1), C

Vertrauens- und Qualitätsnormen (Workslop, Offenlegung, Kennzeichnung)

OE5, OE6, OE7, PE6, PE1

A10

alle drei A (Copilot-Experiment), B, C

Rückkehr sozio-technischer Gestaltung unter neuem Namen

OE3, OE1, OE5, OE4, PE8

ausschließlich Augmentation A (RCTs), C

Lernen im Arbeitsfluss mit KI-Tutoren und KI-Coaches

PE2, PE4, PE5, PE7, PE8

Delegation und Automatisierung (Voraussetzung), Augmentation (Qualität) C (drei Quellentypen), D, A (Lauf 1 RAG)

Renaissance des Wissensmanagements („Context Engineering“)

OE8, OE3, OE2, PE1

Augmentation C

KI in der OE-/Change-Methodik selbst

OE5, OE8, PE8, OE7

Verbreitet

Augmentation; Automatisierung nur bei Einstiegsaufgaben A-nah, B, C

Aufgaben- statt Stellenlogik

OE3, OE2, PE1, PE3

Delegation; Automatisierung nur im Kundenservice belegt C; A-nah nur Coding-Agenten

Agentisierung von Prozessen

OE2, OE3, OE4, OE7, PE5

Augmentation (Zeitgewinn bei Reporting und Status-Aggregation) B, C/B-nah, D

Verflachung von Hierarchien

OE4, OE2, OE6, PE5, PE3

Augmentation (Einstiegsaufgaben assistiert) und Automatisierung (Einstiegsaufgaben fallen weg) A-nah, B, C

Erosion des Einstiegslevels und Apprenticeship-Redesign

PE3, PE4, OE3, OE8

Augmentation; Automatisierungsankündigungen wirken als Angsttreiber auch auf Nicht-Betroffene B (Panel), C

Arbeitsverdichtung, KI-Angst und Wohlbefinden

OE5, OE4, OE7, PE7, PE2

Automatisierung (Kundenservice einziges Feld mit belegtem Trägerwechsel); IKEA als Augmentationsentscheidung D (Fälle), B/C (Absicht), A (Lauf 1)

Augmentation oder Automatisierung als Kulturentscheidung (Umgang mit freigesetzter Kapazität)

OE1, OE3, OE5, OE7, PE3

A11

alle B, C, D

KI-Attribution als Kommunikationsstrategie

OE1, OE5, OE7

Augmentation der PE-Funktion A-nah, C

Skills-based Organization und KI-inferierte Kompetenztaxonomien

PE1, OE2, OE7, PE3

Augmentation der Funktion; Automatisierung der Content-Produktion B/C

L&D unter Budgetdruck und Umbau zur Enablement-Rolle

PE8, PE2, OE7, OE1

alle; Agentenregeln fehlen B (IAB, Weizenbaum), C

Professionalisierung der Governance (Art. 4, Richtlinien, Betriebsvereinbarungen, Rollen, Normen)

OE2, OE4, OE5, PE1, PE8

Automatisierung (deterministisch + probabilistisch), Delegation C, D

Konvergenz von Prozessautomatisierung und agentischer KI („Hyperautomation“, „agentic automation“)

OE3, OE2, OE8, OE7

F11

Augmentation (Lehre), Delegation (Lernziel ohne Evidenz) D; A (Protokoll)

Führungskräfteentwicklung zu KI (Business Schools, Corporate Academies)

PE5, OE4, PE2

Mainstream

Augmentation; für Delegation und Automatisierung keine unabhängige Wirkungsmessung A (Lauf 1), B, C

Produktivitätsskepsis und Werterealisierung statt Nutzungsquote

OE7, OE1, OE3, PE8

Augmentation; für Agenten keine Evidenz A-nah (Mechanismus), B (Lauf 1), D (Design)

Multiplikatoren-, Champion- und Community-of-Practice-Modelle als dominantes Adoptionsdesign

OE4, OE5, OE8, PE7, PE4

A9Augmentation oder Automatisierung als Kulturentscheidung (Umgang mit freigesetzter Kapazität)

verbreitet Automatisierung (Kundenservice einziges Feld mit belegtem Trägerwechsel); IKEA als Augmentationsentscheidung D (Fälle), B/C (Absicht), A (Lauf 1)

Beschreibung: Dokumentierte Fälle zeigen drei Muster (Abbau mit Rückbau, Abbau ohne Rückbau, Umschulung ohne KI-attribuierten Abbau); Verdichtung ist das Default-Muster. Der Trend ist verbreitet als Entscheidungsdruck, aufkommend als bewusste, kommunizierte Entscheidung.
Evidenz: Klarna (D): Headcount −22 % bis 12.2024 „mostly due to attrition“, 5.2025 Wiedereinstellung („too much focus on cost“), Ziel < 2.000 bis 2030; KI-Anteil unbelegt. Salesforce (D): Support 9.000 → ca. 5.000, Zufriedenheit „about the same“, Entlassungen bestritten. IKEA/Ingka (D): ca. 8.500 Call-Center-Beschäftigte umgeschult, Remote-Design-Umsatz 1,25 Mrd. €. Bitkom 9.2026 (C): 45 % erwarten leichten Rückgang. McKinsey: 32 % erwarteten Rückgang, 14 % berichten ihn. Weizenbaum (B): 82 % nutzen freie Zeit für Qualität, 40 % wollen ersetzen.
Dimensionen: OE1 Strategie und Zweck, OE3 Prozesse und Arbeitsorganisation: Aufgabenzuschnitt, Arbeitsteilung Mensch–System, Automatisierungsgrad, OE5 Kultur, Normen, psychologische Sicherheit, OE7 Steuerung, Anreize, Metriken, PE3 Förderung: Laufbahn, Nachfolge, Potenzialerkennung
Für Führung und Teams: Die Entscheidung über freigesetzte Kapazität wird in der Praxis nach dem Rollout oder gar nicht getroffen; die Fälle zeigen, dass sie öffentlich und reversibel ist und dass Qualität (Klarna) und Kundenzufriedenheit (IKEA, Salesforce) die faktischen Prüfkriterien sind.
Gegentrend: Rückbau der „AI-first“-Rhetorik binnen Monaten (Klarna 5.2025; Duolingo 8.2025); Bitkom-Paradox: KI-Nutzer sind optimistischer über Headcount als Nicht-Nutzer. Formale „No-layoffs-from-AI“-Verpflichtungen und Vereinbarungen mit Rationalisierungsschutz für LLM-Automatisierung wurden nicht gefunden.

Überrepräsentiert in Berater- und Herstellerliteratur, schwach in der Evidenz

Anspruch	Evidenz	Quellentyp
„Agent Boss“ / „Manager of Agents“: jede Führungskraft baut, delegiert an und managt Agenten	Nur Erwartungsabfragen; keine Rollenmessung; 739 Orchestrator-Stellenanzeigen weltweit (Lightcast, Feb. 2026); Agentennutzung 11 % (Bitkom) bis 40 % (McKinsey Großunternehmen); 15 % erwägen Vollautonomie (Gartner); Erfolgsquoten 25–35 % auf Büroaufgaben (Lauf 1). Urteil: überrepräsentiert; Rolle existiert als Erwartung, nicht als Beruf.	Microsoft WTI 2025 (C): Leader erwarten binnen fünf Jahren Agententraining (41 %) und -management (36 %)
„Frontier Firm“: 71 % der Beschäftigten in Frontier Firms „thriving“ vs. 37 % global	Frontier-Status über Befragtenantworten definiert (844 von 9.037 Leaders = ca. 9 %; 2026: 16 % „Frontier Professionals“); Report räumt „statistical associations, not causal effects“ ein; Herstellerinteresse; Microsoft ersetzte das Phasenmodell 2026 durch ein Readiness-Raster. Urteil: überrepräsentiert; nicht falsifizierbar.	Microsoft WTI 2025/2026 (C)
„Hälfte des mittleren Managements fällt weg“: 20 % der Organisationen eliminieren bis 2026 über die Hälfte der Mittelmanagement-Positionen durch KI	Spannen steigen (Gallup 10,9 → 12,1; Gusto 3,15 → 5,76), aber Gusto-Anstieg beginnt 2020 vor LLMs; Unternehmen nennen Kosten und Bürokratie; Oxford Economics: „dressed up“; keine KI-kausale Studie; Gartner hält die Prognose im Zieljahr nicht nach; keine DACH-Spannendaten. Urteil: überrepräsentiert; Verflachung real, KI-Attribution unbelegt.	Gartner Top Predictions (22.10.2024, C)
Skills-based Organization liefert Produktivität und ROI	Burning Glass/HBS 2024 (A-nah): 45 % „in name only“, < 1 von 700 Einstellungen; Bersin selbst: „sober reality“; keine Outcome-Studie zu KI-inferierten Skills; Lauf 1: beratungsseitig über-, evidenzseitig unterrepräsentiert. Urteil: überrepräsentiert.	Deloitte, Mercer, Bersin, WEF (39 % Skills „disrupted“; 59 von 100 brauchen Reskilling), Vendor-Plattformen (C)
KI-Coaching skaliert Führungskräfteentwicklung; personalisiertes adaptives Lernen durch KI	Fosway: < 10 % Live-Adoption; de Haan 2026 (Lauf 1): kein Effekt, zehnfache Abbruchquote; Schimpf 2026: d = 0,33 nur gegen Nichtstun, nicht gegen einen Fragebogen, Mechanismus Verbindlichkeit; keine Lernwirkungsstudie zu adaptivem Lernen; Berkeley-RCT läuft bis 2027. Urteil: überrepräsentiert (A-Evidenz gegen den Anspruch).	Coaching-Plattformen, LXP-Vendoren, Fosway-Vendorkunden (C/D)
„Agentic Enterprise in drei Jahren“ / Hyperautomation-Konvergenz	Absichtsbefragungen; UiPath ARR +11 %; Gartner: > 40 % Abbruch bis 2027; Bitkom: 0 % Potenzial voll ausgeschöpft; Lauf 1: Agenten bei L2 bis Proto-L3; Salesforce-Rückbau auf deterministische Trigger. Urteil: überrepräsentiert (C gegen C).	Celonis (85 %, n = 1.649, Absicht), UiPath („global leader in agentic automation“), Gartner-Prognosen (C)
„Reinvestition freigesetzter Kapazität“ als Standardmuster	Einziger Reinvestitionsfall mit Daten: IKEA/Ingka; BCG: 66 % der Frontline ohne Anleitung für gesparte Zeit; NBER: Kürzungen vor Produktivität; Lauf 1: Reinvestition schwächstes Versprechen. Urteil: überrepräsentiert; Verdichtung und Abbau sind die belegten Muster.	Microsoft WTI 2025: 82 % wollen „digital labor“ zur Kapazitätserweiterung (Absicht); Salesforce: Support-Abbau plus Vertriebsaufbau (D, nicht verifiziert)
„KI schafft mehr Jobs als sie vernichtet“ (170 Mio. / 92 Mio.)	Bruttozahlen aus Arbeitgeberbefragung; OECD 2026: keine Branchenverdrängung, aber +3 Punkte Jugendarbeitslosigkeit in exponierten Rollen; Stanford −19 % relativ für 22–25-Jährige; NBER: 9× mehr geplante Kürzungen 2026 als realisierte 2025. Urteil: überrepräsentiert in beide Richtungen; Nettoeffekt offen, Verteilungseffekt (Einstieg) belegt.	WEF FoJ 2025 (Arbeitgebererwartung, B)

Vier Szenarien 2029 bis 2033

Konstrukte, keine Prognosen. Zwei Achsen spannen das Feld auf, die dritte Unsicherheit kippt die Regulierungsdichte. Frühindikatoren mit aktuellen Baselines zeigen 2027/28, welches Szenario eintritt.

Fähigkeitsverlauf im Betrieb

A: Plateau: Agenten bleiben bei beaufsichtigter Einzeldelegation („Proto-L3“), Erfolgsquoten auf varianten Verwaltungsprozessen < 60 %, Vollkosten je delegierter Aufgabe inkl. Prüfung über Personalkosten

B: Durchbruch: laufende Prozessausführung mit Ausnahmebehandlung bei ≥ 95 % Verlässlichkeit auf varianten Verwaltungsprozessen zu Kosten unter Personalkosten

Hebel auf OE2, OE3, OE4, OE7, PE4, PE5 (sechs Dimensionen direkt). Am stärksten polarisiert (AI 2027 vs. Normal Technology; Safety Report als Mitte); größter direkter Hebel auf die Tiefenachse des Phasenmodells

Adoptions- und Kapazitätsmuster

A: Augmentation mit Arbeitsredesign: Reinvestition oder gestaltete Verdichtung, Einstellungen bleiben, Einstiegsstellen erholen sich mit der Konjunktur

B: Automatisierung mit Kostenfokus: Abbau als Standardmuster, strukturell niedrige Einstiegsstellen, Backlash

Hebel auf OE1, OE5, OE6, PE3, PE4, PE7. Die einzige Achse, deren Pole in dokumentierten Fällen (IKEA vs. Klarna/Salesforce) und in Absichtsdaten (Bitkom-Paradox) gleichzeitig sichtbar sind; Edelman belegt den Mechanismus zum Vertrauen

Regulierungs- und Mitbestimmungsdichte DACH

A: Kodifiziert und durchgesetzt: BeschDG in Kraft, BetrVG-Reform mit KI-Beteiligungsrechten, Marktüberwachung aktiv, harmonisierte Normen, Agenten-BVen verbreitet

B: Weich: Bemühenspflichten, verspätete Normen, Einzelfallrechtsprechung, weitere Omnibus-Vereinfachung, Regelung nur über § 87 Nr. 6 und freiwillige BV

Hebel auf OE2, OE4, OE7, OE8, PE1, PE8. DACH-spezifische Unsicherheit mit eigenem Zeitpfad (zwei gescheiterte Vorhaben); nach Lauf 1 divergiert die Dichte zudem nach Prozesstyp (MaRisk, GMP Annex 22 erzwingen beaufsichtigte Delegation unabhängig vom Gesetzgeber)

U1 A: Plateau: Agenten bleiben bei beaufsichtigter Einzeldelegation („Proto-L3“), Erfolgsquoten auf varianten Verwaltungsprozessen < 60 %, Vollkosten je delegierter Aufgabe inkl. Prüfung über PersonalkostenU1 B: Durchbruch: laufende Prozessausführung mit Ausnahmebehandlung bei ≥ 95 % Verlässlichkeit auf varianten Verwaltungsprozessen zu Kosten unter Personalkosten

Adoptions- und Kapazitätsmuster

Szenario 2

Kostenautomatisierung im Plateau

Die Technik bleibt bei Proto-Prozessausführung stehen, aber der Kostendruck in Automotive (−17 % seit 2018) und Banken (−10 % bis 2030 prognostiziert) treibt Au…

Autonomie: Automatisierung mit Ausnahmebehandlung in Kundenkontakt und Verwaltung, oft unterhalb der Verlässlichkeitsschwelle; Augmentation in der Fachexpertise; Delegation vor allem als Headcount-Ersatz etikettiert („agent washing“); Automatisierungsgrad gemessen in Headcount, nicht in Qualität.

Szenario 4

Durchbruch, kostengetrieben

Dieselbe technische Verlässlichkeit wie in Szenario 3 trifft auf Organisationen, die Kapazität als Headcount verbuchen, und einen Gesetzgeber mit Bemühenspflich…

Autonomie: Laufende Prozessausführung bis vollständige Autonomie außerhalb regulierter Prozesse; in regulierten Prozessen beaufsichtigte Delegation als Compliance-Minimum; Automatisierungsgrad gemessen in Headcount-Ratio („human-agent ratio“) statt in Qualität.

Szenario 1

Beaufsichtigte Breite

Die Verlässlichkeit agentischer Systeme bleibt bei beaufsichtigter Einzeldelegation stehen; Assistenz ist in jeder Software Standard, Agenten laufen in IT, Wiss…

Autonomie: Augmentation als Regel; beaufsichtigte Einzeldelegation in Software, Analyse, Recherche; laufende Prozessausführung mit Ausnahmebehandlung nur in wenigen Kopf-der-Pareto-Prozessen (Posteingang, Standardkorrespondenz), oft hybrid; vollständige Autonomie faktisch ausgeschlossen (regulierte Prozesse) oder nicht lohnend (Vollkosten).

Szenario 3

Durchbruch, gestaltet

Laufende Prozessausführung mit Ausnahmebehandlung wird auf varianten Verwaltungsprozessen verlässlich und günstiger als Personalkosten, zuerst in Software, dann…

Autonomie: Laufende Prozessausführung mit Ausnahmebehandlung als Regel in Verwaltungsprozessen; beaufsichtigte Delegation in Fachprozessen; vollständige Autonomie nur außerhalb regulierter Prozesse und nur mit Stopp-Rechten; Automatisierungsgrad in Prozent der Aufgaben, Autonomiestufe pro Aufgabentyp in der BV festgelegt.

Fähigkeitsverlauf im Betrieb · links Pol A, rechts Pol B; oben U2 Pol B, unten Pol A

Szenario 1: Beaufsichtigte Breite

U1 AU2 AU3 A

Kernlogik: Die Verlässlichkeit agentischer Systeme bleibt bei beaufsichtigter Einzeldelegation stehen; Assistenz ist in jeder Software Standard, Agenten laufen in IT, Wissensmanagement und Softwareentwicklung unter Prüfung. BeschDG und BetrVG-Reform sind verabschiedet, Anhang-III-Pflichten werden durchgesetzt, BVen mit Autonomiestufen sind Standard. Freigesetzte Kapazität wird überwiegend reinvestiert oder in gestaltete Verdichtung überführt.
Automatisierungsgrad: Augmentation als Regel; beaufsichtigte Einzeldelegation in Software, Analyse, Recherche; laufende Prozessausführung mit Ausnahmebehandlung nur in wenigen Kopf-der-Pareto-Prozessen (Posteingang, Standardkorrespondenz), oft hybrid; vollständige Autonomie faktisch ausgeschlossen (regulierte Prozesse) oder nicht lohnend (Vollkosten).
Gewinner: Senior-Fachkräfte mit Prüfkompetenz; Betriebsräte als Gestaltungspartner; L&D-Funktionen, die Aufsichtsqualifizierung besetzen; Prozessinhaber mit Dokumentationsdisziplin (OE8).
Verlierer: Einstiegsrollen, sofern niemand sie bewusst wiederaufbaut; Mittelmanager mit größeren Spannen und Review-Pflicht (answer-key model); Automatisierungs-CoEs, deren Bot-Fabrik-Logik nicht in Ausnahmedesign übergeht.
Für Führung und Teams: Führung wird zur Aufsichts- und Spezifikationsarbeit auf Teamebene; die Linie braucht Delegationsregeln je Aufgabentyp und ein Zeitbudget für Review; Teams müssen implizites Wissen explizieren; zentrale PE-Aufgabe ist der Erhalt unassistierter Prüfkompetenz (PE4). Kontrollierte Adaption ist hier Marktstandard; das Angebot differenziert sich über Qualität der Delegationsregeln und Aufsichtsmetriken.

Frühindikatoren 2027/28 mit Baseline

METR-50-%-Horizont bleibt unter einem Monatca. 12 h, Feb. 2026; Originalpapier erwartet Monatshorizont erst 2028–2031

Erfolgsquote auf Büro-/CRM-Benchmarks unter 60 %25–35 %

Gartner-Prüfpunkt „15 % der Alltagsentscheidungen autonom 2028“ wird verfehltca. 0

Regierungsentwurf BeschDG und BetrVG-Reform im Bundestagkeiner, Mitte 2026

Harmonisierte Normen verfügbar0

Publizierte Betriebsvereinbarungen zu Agenten0

Indeed-Einstiegsstellenindex erholt sich bei BIP-Wachstum > 1 %−46 % vs. 2019, Juli 2026; IAB: BIP 2026 +0,8 %

Bitkom-Chance-Sicht stabil ≥ 65 %69 %

Szenario 2: Kostenautomatisierung im Plateau

U1 AU2 BU3 B

Kernlogik: Die Technik bleibt bei Proto-Prozessausführung stehen, aber der Kostendruck in Automotive (−17 % seit 2018) und Banken (−10 % bis 2030 prognostiziert) treibt Automatisierungsentscheidungen, die der Verlässlichkeit vorauslaufen; hybride Bot-Agenten-Ketten, deterministische Trigger, Ausnahmebehandler tragen die Qualität. Regulierung bleibt weich, Agenten in BVen ungeregelt. Rückbau- und Wiedereinstellungszyklen (Klarna-Muster) werden Normalfall, Verdrängungsangst steigt, der US-Backlash erreicht DACH.
Automatisierungsgrad: Automatisierung mit Ausnahmebehandlung in Kundenkontakt und Verwaltung, oft unterhalb der Verlässlichkeitsschwelle; Augmentation in der Fachexpertise; Delegation vor allem als Headcount-Ersatz etikettiert („agent washing“); Automatisierungsgrad gemessen in Headcount, nicht in Qualität.
Gewinner: CFO-Linie und Automatisierungs-CoEs; Anbieter von Hyperautomation-Suiten; externe Dienstleister für Ausnahmebearbeitung.
Verlierer: Ausnahmebehandler (Vigilanzverlust, Learned Helplessness, Verantwortung ohne Einfluss); Einstiegsrollen strukturell; Mittelmanager als Überbringer; Vertrauen (OE5) als Organisationsressource; L&D, reduziert auf Pflichtmodule.
Für Führung und Teams: Führungskräfte stehen zwischen Headcount-Zielen und Qualitätsverantwortung für Output, den niemand mehr ausgeführt hat; Teams werden zu Ausnahmebearbeitern ohne Rotation; OE-Aufgabe ist die Verantwortungsarchitektur und der Mitbestimmungspfad über § 111; PE-Aufgabe ist Vigilanz- und Kompetenzerhalt. Kontrollierte Adaption ist Gegenentwurf zum Markt; Hebel ist die Vollkostenrechnung je delegierter Aufgabe.

Frühindikatoren 2027/28 mit Baseline

KI-attribuierte Abbauankündigungen in DACH werden erstmals gezählt und steigenkeine DACH-Zeitreihe; USA 40 % Monatsanteil Mai 2026

Bankenabbau folgt dem Morgan-Stanley-PfadPrognose −10 % bis 2030; Allianz Partners 1.500–1.800 Callcenter-Stellen angekündigt Nov. 2025

Reue- und Wiedereinstellungsquoten bleiben hoch35,6 % besetzen > 50 % wieder, 52 % binnen sechs Monaten (Careerminds Feb. 2026, n = 600, US)

Einstiegsstellenindex stagniert trotz BIP-Erholung−46 %

Jugendarbeitslosigkeit steigt über 7,1 %7,1 % (2025)

Gallup-Jobangst in KI-Betrieben über 23 %23 %

Verheimlichung über 48–52 %48–52 %

Gartner-Abbruchquote erreicht 40 %Prognose bis Ende 2027

Omnibus II angekündigt; BeschDG scheitert erneut

Szenario 3: Durchbruch, gestaltet

U1 BU2 AU3 A

Kernlogik: Laufende Prozessausführung mit Ausnahmebehandlung wird auf varianten Verwaltungsprozessen verlässlich und günstiger als Personalkosten, zuerst in Software, dann in Sachbearbeitung, Reporting und Compliance; Betriebsdaten bestätigen es. Kodifizierte Mitbestimmung und durchgesetzte Art.-14-Aufsicht erzwingen Verantwortungsarchitekturen, Autonomiestufen je Aufgabentyp und Protokollzugriff; Agenten-BVen werden Standard. Freigesetzte Kapazität wird reinvestiert, J-Kurven-Lag durch Komplementärinvestitionen abgekürzt.
Automatisierungsgrad: Laufende Prozessausführung mit Ausnahmebehandlung als Regel in Verwaltungsprozessen; beaufsichtigte Delegation in Fachprozessen; vollständige Autonomie nur außerhalb regulierter Prozesse und nur mit Stopp-Rechten; Automatisierungsgrad in Prozent der Aufgaben, Autonomiestufe pro Aufgabentyp in der BV festgelegt.
Gewinner: Organisationen mit RPA-/CoE-Vorgeschichte mit Governance-Routinen; Betriebsräte mit Protokollzugriff; Fachkräfte, die vom Ausführen ins Spezifizieren und Prüfen wechseln; L&D als Aufsichtsqualifizierer; Wissenskuratoren (OE8).
Verlierer: Rollen, deren Wert in der Ausführung lag (Sachbearbeitung ohne Fachurteil); Juniors ohne gestaltete Lernpfade (Expertiseaufbau-Problem wird akut); Führungskräfte, die nicht spezifizieren können.
Für Führung und Teams: Führung wird zur Spezifikations- und Ausnahmeinstanz mit formaler Aufsichtsrolle (Art. 26 Abs. 2 analog); Teams werden um Prüf-, Selektions- und Kuratierungsfunktionen neu geschnitten (OE6); Leistung wird an Spezifikations- und Prüfqualität gemessen (PE6); Laufbahnen müssen Expertise ohne Juniorarbeit erzeugen (PE3/PE4). Kontrollierte Adaption ist aufsichtlich erzwungen; das Angebot muss Verantwortungsarchitektur und Beurteilungslogik liefern.

Frühindikatoren 2027/28 mit Baseline

METR-50-%-Horizont ≥ 1 Monat12 h; bei 4-Monats-Verdopplung früher als 2028

80-%-Horizont wird publiziert und wächstfehlt

Erfolgsquote auf Büro-/CRM-Benchmarks ≥ 70 %25–35 %

Anteil Firmen mit Agenten in Produktion in DACH ≥ 30 %11 %

Metaculus „weakly general AI“ löst aufMedian 31.8.2027

Anthropic-API-Automationsanteil steigt wiederAPI-Anteil directive 64 % (Economic-Index-Report Jan. 2026) gegenüber 77 % im Sept.-2025-Report; Primärberichte nicht abgerufen

Regierungsentwürfe BeschDG/BetrVG im Bundestag; erste Agenten-BVen publiziert0

Art.-14-Verfahren nach 12/20270

Berkeley-RCT und andere Stufe-A-Evidenz zu Supervisionstraining liegt vor

Szenario 4: Durchbruch, kostengetrieben

U1 BU2 BU3 B

Kernlogik: Dieselbe technische Verlässlichkeit wie in Szenario 3 trifft auf Organisationen, die Kapazität als Headcount verbuchen, und einen Gesetzgeber mit Bemühenspflichten und Einzelfallrechtsprechung. „AI-first“-Personalpolitiken werden Regel, Verflachung wird erstmals messbar KI-getrieben, Einstiegsrollen werden nicht nachbesetzt. Verantwortung landet beim Ausnahmebearbeiter und Anbieter, Haftung bleibt diffus, Mitbestimmung wirkt nur über § 111; Backlash nach US-Muster mit Generationeninversion.
Automatisierungsgrad: Laufende Prozessausführung bis vollständige Autonomie außerhalb regulierter Prozesse; in regulierten Prozessen beaufsichtigte Delegation als Compliance-Minimum; Automatisierungsgrad gemessen in Headcount-Ratio („human-agent ratio“) statt in Qualität.
Gewinner: Kapitalseite, Anbieter, wenige Spezialisten (Orchestrierung, Wissenskuratierung) mit Lohnprämien; Organisationen mit starker Marktposition.
Verlierer: Exponierte Generalistenrollen (Büro-/Sachbearbeitung), Einstiegsjahrgänge 2027–2032 (Senior-Pipeline reißt), Mittelmanagement, Betriebsräte ohne Protokollzugriff, L&D als Funktion (Kostensubstitution bis zur Auflösung); langfristig die Organisation selbst, weil unassistierte Prüfkompetenz erodiert.
Für Führung und Teams: Führungsspannen wachsen, während Führungskräfte als Vertrauensanker ausfallen; Teams verlieren Selektions- und Kritikfunktion; OE5 kippt in Verheimlichung und Widerstand; die OE-Aufgabe reduziert sich auf Mitbestimmungspfad und Sozialplanbegleitung. Kontrollierte Adaption wird Nischenangebot; Hebel ist der Nachweis, dass Rückbaukosten und Vertrauensverlust die Headcount-Rechnung umkehren (CBA, Klarna).

Frühindikatoren 2027/28 mit Baseline

Technische Indikatoren wie Szenario 3

CFO-Kürzungspläne werden realisiert44 % planen; McKinsey 2026: 14 % realisiert vs. 39 % erwartet, 2025: 32 % erwartet

Challenger-artige KI-Attribution in DACH über 20 % der Ankündigungen

Pew-Inversion der Altersgruppen in DE-Daten reproduziertDE: 81 % Chance bei 16–29

Edelman „embrace“ DE unter 16 %16 %

Europäische KI-Proteste0 belegt

Omnibus II

Bitkom-Erwartung „deutlicher Rückgang“ über 12 %12 %

ATD-Lernausgaben fallen weiter846 USD, −408

Robuste Handlungsfelder

In allen Szenarien gleich

Entscheidung über die Verwendung freigesetzter Kapazität vor dem Rollout kommunizieren – Edelman-Mechanismus (53 % DE) und Gallup-Angstpuffer wirken in jedem Szenario; die Entscheidung wird sonst nach dem Rollout oder gar nicht getroffen (BCG 66 %) (OE1, OE5)
Verantwortungsarchitektur vor Agentenrollout: wer darf stoppen, wer prüft Ausnahmen, wer trägt Rückfallkosten – IBM: kein Konsens; Cyera: Berechtigungen als Schadensursache (Lauf 1); ProdHaftG ab 9.12.2026 in allen Szenarien (OE2, OE4, OE7)
Metrik-Set jenseits der Nutzungsquote (Qualität, Eingriffsquote, erkannte Fehler, Verwendung gesparter Zeit, Vollkosten je Aufgabe) – Alle Rückbaufälle sind OE7-Versagen; EBIT-Zuschreibung bewegt sich in keinem Szenario ohne Messung (OE7)
Erhalt unassistierter Prüfkompetenz (geplante Übung, Rotation, KI-freie Prüfgates) – Deskilling-Prüfmuster gilt bei jeder Automationsstufe (Gawron/MITRE; Lauf 1, Befund 3 und 9) (PE4, PE1)
Explikation und Kuratierung von Organisationswissen mit Eigentümerschaft und Zeitbudget – Kontextlücke ist Hürde für Agenten (Delegation) und Qualitätsfrage für Augmentation (RAG-Befund, Lauf 1) (OE8)
Führungskräfte als primäre Multiplikatoren mit sichtbarer Nutzung und Ermutigungsnorm – Stärkster belegter Adoptionshebel (47 → 83 %; Manager +82 % Erstnutzung) in jedem Szenario (OE4, PE5)
Mitbestimmung in die Planungsphase vorziehen (Rahmen-BV mit Steckbriefpflicht, Pilotevaluation, Protokollzugriff) – Regeln folgen sonst der Nutzung mit 1–2 Jahren Verzug (Weizenbaum); gilt bei dichter wie weicher Regulierung, weil § 87 Nr. 6 in beiden greift (OE2, OE5)

Szenarioabhängige Handlungsfelder

Tiefe der Delegationsregeln (Einzeldelegation vs. Prozessautonomie je Aufgabentyp)
Design der Ausnahmerolle (Nebenaufgabe vs. eigene Rolle mit Rotation)
Wiederaufbau von Einstiegsrollen (answer-key/preceptor) vs. Verzicht
Formaler Mitbestimmungspfad (freiwillige BV vs. gesetzliche Beteiligungsrechte)
Aufsichtsqualifizierung als Compliance-Pflicht vs. freiwilliges Enablement
Beurteilungslogik für agentenvermittelte Leistung
Umfang des Rollen- und Teamredesigns (Review-Rollen vs. Neuzuschnitt um Spezifikation/Prüfung)
Umgang mit Spannen und Hierarchieebenen
Anbieterstrategie (Multi-Vendor mit Open-Weight-Fallback vs. EU-Stack)

Matrix Dimension × Szenario

Dimension	S1 Beaufsichtigte Breite	S2 Kostenautomatisierung im Plateau	S3 Durchbruch, gestaltet	S4 Durchbruch, kostengetrieben
OE1 Strategie und Zweck	Zielbild „Augmentation mit Redesign“ explizit, Kapazitätsverwendung kommuniziert (IKEA-Muster); Business Case mit Komplementärinvestitionen	Zielbild implizit = Kostenprogramm mit Zielsumme (Commerzbank-Muster „Momentum 2030“); Kapazitätsverwendung = Headcount; Attribution an KI als Kommunikationsstrategie	Zielbild der Arbeitsteilung je Prozesstyp in BV und Strategie verankert; Reinvestition tarif- und demografiegetrieben	„AI-first“ als Strategie; human-agent ratio als Kennzahl; Abbau vor Produktivitätsnachweis (NBER-Muster)
OE2 Struktur, Rollen, Entscheidungsrechte	Autonomiestufen je Aufgabentyp; Aufsichtsrollen nach Art. 26 analog; Ausnahmerolle mit Zeitbudget; Stelle bleibt Rechtseinheit	Rechtekonzepte nachgezogen nach Vorfällen (KPMG-Muster 36 → 75 %); Ausnahmebehandler ohne Autorität; Verantwortung diffus (IBM: kein Konsens)	RACI für Agenten, Stopp-Rechte, Protokollzugriff gesetzlich und per BV; Rollen um Spezifikation/Prüfung/Kuratierung neu geschnitten	Verflachung messbar; Rollen nach Nachweis der Nicht-Automatisierbarkeit; Haftung beim Ausnahmebearbeiter und Anbieter
OE3 Prozesse und Arbeitsorganisation: Aufgabenzuschnitt, Arbeitsteilung Mensch–System, Automatisierungsgrad	Augmentation als Regel, Delegation in Nischen, Automatisierung nur im Pareto-Kopf, hybrid deterministisch-probabilistisch; Residualaufgaben designt	Automatisierung unterhalb der Verlässlichkeitsschwelle; Rückbau auf deterministische Trigger (Salesforce-Muster); Residualaufgaben als Restposten	Prozessautonomie mit Ausnahmebehandlung in Verwaltungsprozessen; Residual- und Nachbaraufgaben systematisch geübt (Mischarbeit, Rotation)	Maximaler Automatisierungsgrad; Residualaufgaben ungeplant; Vigilanzverlust (Bainbridge-Muster)
OE4 Führung als Systemfaktor: Spannen, Steuerungslogik, Rollenvorbild, Delegationsregeln	Vorbild- und Ermutigungsnorm (Gallup 47 → 83 %); Delegationsregelwerk auf Teamebene; Spannen moderat	Spannen wachsen (Gallup 12,1+); Führung als Überbringer; Override-Regeln fehlen; Managementqualität als Angstpuffer nicht budgetiert	Führung als Spezifikations- und Aufsichtsinstanz mit formaler Rolle; Delegationsregeln setzen und überstimmen	Größte Spannen, Führungskräfte selbst Automatisierungsgegenstand (Status-Aggregation); Vertrauensanker fehlt
OE5 Kultur, Normen, psychologische Sicherheit	Offenlegungs- und Kennzeichnungsnormen; Verheimlichung sinkt; Akzeptanz stabil (Bitkom 69 %); BV als Vertrauensinstrument	Verheimlichung und Jobangst steigen (Gallup 23 %+); Kontrollverbote als Abwehrnorm; Misstrauensspirale (PLS-Muster)	Hohe psychologische Sicherheit durch Protokollzugriff und Beschäftigungssicherung; Nutzung offen, Fehler besprechbar	Backlash nach US-Muster; Generationeninversion; Anti-digital-Gegennormen
OE6 Zusammenarbeit und Teamdesign (Gestaltungsanteil)	Review-Rollen und Übergabeformate; Selektionsfunktion im Team gesichert (Lauf 1, Befund 7)	Teams als Ausnahmebearbeiter-Pools; Übergabe Mensch–Agent–Kunde undefiniert	Teams um Spezifikation, Prüfung, Kuratierung geschnitten; Persona-/Agentendesign als Teamnorm	Einzelne mit Agenten statt Teams; Kritik- und Selektionsfunktion verloren
OE7 Steuerung, Anreize, Metriken	Metrik-Set jenseits Nutzung: Qualität, Verwendung freigesetzter Zeit, Eingriffsquote; Bewertungshorizont mehrjährig	Headcount und Durchsatz; Kostenprüfung bei Freigabe (KPMG 74 %); Rückbaukosten nicht bilanziert	Aufsichtsmetriken (erkannte Fehler, Eingriffsquote, Rückfallkosten) als Pflichtkennzahlen; Vollkosten je Aufgabe	human-agent ratio; EBIT-Zuschreibung als einziges Maß; Anreize belohnen Output-Menge (Workslop)
OE8 Organisationale Lernfähigkeit und Wissensmanagement (Regeln, Rollen, Flüsse)	Kontextkuratierung in der Linie mit Zeitbudget; Rückkanal Ausnahmen → Prompt-/Prozessverbesserung	Kuratierung an IT delegiert („Data Readiness“), Kostenfalle (Gartner +300 %); implizites Wissen geht mit Abbau	Wissensexplikation als Kernprozess; Kuratorenrollen; Ausnahme-Reviews institutionalisiert	Wissen in Anbieterplattformen externalisiert („Context-as-a-Service“); Organisation verliert Besitz
PE1 Bedarfsanalyse und Kompetenzmodelle (inkl. Skills-Taxonomien, KI-Kompetenz)	Prüf- und Delegationskompetenz im Modell; Art.-4-Dokumentation als Nebenprodukt	Bedienkompetenz, Compliance-Nachweis (66 % „niedrig“ bleibt)	Aufsichtsfähigkeit nach Art. 14 Abs. 4 als Kompetenzstandard, unassistiert gemessen	Kompetenzmodell auf Orchestrierung verengt; Fachurteil nicht mehr erhoben
PE2 Qualifizierung und Lernformate (individuell und im Team)	Rollenspezifisch, Nutzungsmuster (Erklären, Prüfen), geplante unassistierte Praxis	Pflichtmodule (Art. 4), < 5 h; Training als Automatisierungsvorbereitung (TalentLMS 47 %)	Supervisions- und Spezifikationstraining mit Übung; Peer-/Mentoring-Formate (Schimpf-Mechanismus)	Selbstlernen mit KI-Tutoren ohne Nachweis; Budget fällt weiter (ATD-Pfad)
PE3 Förderung: Laufbahn, Nachfolge, Potenzialerkennung	Einstiegsrollen redesignt (answer-key, preceptor), Campus-Einstellungen gehalten (BofA-Muster)	Nichtnachbesetzung; Einstiegsstellen strukturell unten; Wiedereinstellungszyklen	Laufbahnen über Spezifikation/Prüfung; Expertise ohne Juniorarbeit systematisch erzeugt (Simulation, Preceptor)	Pipeline reißt; „AI-native Junior“ als Rekrutierungsnische; Senior-Mangel ab 2032
PE4 Expertiseaufbau und Erfahrungslernen (Novizen-Experten-Pfad, Mentoring)	Mischarbeit, Rotation Ausführen/Prüfen, KI-freie Prüfgates	Deskilling der Ausnahmebehandler (Endoskopie-Muster, Lauf 1); keine Übung	Deliberate Practice institutionalisiert, weil Ausführung wegfällt	Erosion unassistierter Kompetenz organisationsweit
PE5 Führungskräfteentwicklung (Fähigkeit: Spezifikation, Supervision, Ausnahmebehandlung, Bewertung)	Logik-Audit, Nutzungsmuster gestalten, Bewerter-Bias; Reverse Mentoring	Zwei-Tage-Mindset-Formate; keine Übung	Formale Aufsichtsqualifizierung mit Prüfung; RCT-basierte Programme	Führungskräfteentwicklung als Kostenposten gestrichen
PE6 Leistungsbeurteilung und Feedback (als Lern- und Entwicklungsinstrument)	Spezifikations- und Prüfqualität als Kriterien; Kennzeichnungsregeln	Durchsatz; verdeckte KI-Reviews (41 % US); Verbot der Kontrolle per Bot-Daten als Abwehr	Beurteilung agentenvermittelter Leistung geregelt (derzeit ohne Quelle); Fairness verhandelt	Beurteilung über Agentendaten; Anhang-III-Pflichten weich durchgesetzt
PE7 Transfersicherung und Lernkultur	Peer-Lernen durch Offenheit; Lernzeitbudgets	Verheimlichung blockiert Peer-Lernen; keine Lernzeit (TalentLMS „keine Zeit“)	Lerngemeinschaften um Ausnahmefälle; Transfer mit und ohne KI	Lernkultur ersetzt durch Toolzugang
PE8 Rolle und Organisation der L&D-/PE-Funktion	Enablement und Normsetzung für Nutzungsmuster; Partner der OE	Compliance-Schulungsdienstleister der IT; Budget −; Konsolidierung	Aufsichtsqualifizierer mit Mandat nach Art. 26 analog; Mitgestalter der Arbeitsteilung	Funktion weitgehend aufgelöst, Content automatisiert

STEEP-Treiber: vorbestimmt oder unsicher

STEEP	Treiber	Evidenz	Einstufung	Begründung
T	Preisverfall je Fähigkeitsniveau: 9× bis 900× pro Jahr je nach Benchmark; GPT-4-Niveau auf MMLU-86 von 37,50 USD/1M Tokens (März 2023) auf 0,18 USD (Feb. 2025); Medianpreis 2,10 → 0,85 USD (2024 → 2025)	Epoch AI, 12.3.2025 (C); Stanford AI Index 2026 via remio.ai (B über D)	vorbestimmt	Drei Quellentypen übereinstimmend; Mechanismen (Distillation, Open Weights, Hardware) unabhängig vom Frontier-Fortschritt; Reasoning-Token-Mehrverbrauch je Agentenaufgabe nicht modelliert
T	Allgegenwart von Assistenten in Office-, ERP-, CRM-, IDE-Umgebungen	IAB 25 % Betriebe, 48 % bei ≥ 200 (B); ifo 54,5 % (Mai 2026, B); Bitkom 57 % (C); 31 % Beschäftigte DE 2025 (Bick et al. via IAB, A-nah)	vorbestimmt	Steile Kurve 2023–2026 in allen Erhebungen; Einbau in Standardsoftware
T	Wachstum der autonom bearbeitbaren Aufgabenlänge in Software-Benchmarks: METR-50-%-Horizont ca. 60 min (Anfang 2025) → ca. 718 min (Feb. 2026); Verdopplung 212 Tage (2019–2025) bzw. 129 Tage (seit 2023)	Wegner 2026, METR-Daten (A-nah für Messung, D für Sekundärwiedergabe; metr.org nicht abrufbar)	vorbestimmt	Einstufung laut Report: vorbestimmt (Richtung), unsicher (Tempo). Trend über sechs Jahre stabil; Konfidenzintervalle weiten sich bei 2026er-Modellen um Faktor 12, Aufgabensuite oberhalb von 8 h dünn, Scaffold-Wechsel konfundieren
T	Verlässliche Mehrschritt-Autonomie auf Unternehmensniveau (Büro, CRM, Verwaltung; Varianz, Vertraulichkeit, Ausnahmen)	International AI Safety Report 2026 (B): Agenten „cannot yet handle the complex, long-term planning needed to fully automate many jobs“; Lauf 1: 25–35 % auf Büro-/CRM-Aufgaben (A-nah); Kokotajlo-Revision auf „Anfang der 2030er“ (D); Kapoor/Narayanan „Jahrzehnte“ (B/D); ESPAI HLMI-Median 2047 (arXiv 2604.22766, B)	unsicher	Kritisch unsicher (U1). Explizite Divergenz der Expertenlager; Zieljahre genau am Szenariohorizont
T	Benchmarksättigung und Kontamination: Top-5-Systeme innerhalb von 4 Prozentpunkten; Leaderboard-Überlappung 15–35 %	AI Index 2026 via remio.ai (B über D)	vorbestimmt	Macht Benchmarks als Frühindikator ab 2027 weniger brauchbar; verschiebt Evidenz in Betriebsdaten
T	Skalierungsgrenzen (Strom, Chips) bis 2030: ca. 2e29 FLOP machbar	Epoch AI via LessWrong (C)	vorbestimmt	Einstufung laut Report: Rahmen (T/Ecol). Frontier-Skalierung bis 2030 physisch möglich; kein Unternehmensengpass
E	Makro-Produktivitätsniveau: Acemoglu ca. 0,9 % BIP über zehn Jahre; Goldman +7 % BIP; MGI 0,2–3 % p. a. je Adoptionsszenario; OECD +0,7–1,1 Prozentpunkte p. a. für DE (alle Prognosen)	Acemoglu NBER w32487 (A); The Register 29.5.2024; McKinsey DE 23.5.2024 (C); Capital Group/OECD 30.7.2026 (C); dänische Registerdaten ≤ 1–2 % (Lauf 1, A)	unsicher	Kritisch unsicher. Streuung um eine Größenordnung, nicht methodisch bereinigt (Niveau vs. Wachstumsrate vs. Zehnjahreseffekt); beobachtete Effekte bislang nahe Acemoglu
E	Investitionszyklus: Hyperscaler-Capex ca. 404 Mrd. USD (2025), > 600 Mrd. USD (2026E), FCF < 100 Mrd. USD (2026E); Frontier-Lab-Umsätze 30,4 Mrd. USD annualisiert (2025)	stock3, 15.2.2026 (D, Tabelle und Text inkonsistent); AI Digest 2025 (C)	unsicher	Kritisch unsicher. Niemand hat die Adoptionsfolgen einer Korrektur modelliert; Open-Weight-Modelle schließen 85 % der Lücke (Puffer)
E	Demografischer Erwerbspersonenrückgang DE: −1,12 Mio. bis 2040, Bevölkerung im Erwerbsalter −3,1 Mio., bei angenommener Nettozuwanderung 4,6 Mio. (Projektion)	BIBB/IAB QuBe 8. Welle, 10.1.2025 (B)	vorbestimmt	STEEP E/S. Kohorten feststehend; QuBe enthält kein KI-Szenario
E	Engpass in technischen, IT- und Gesundheitsberufen (20 von 140 Berufsgruppen 2024–2028), kein Engpass in Büroberufen; Büro-/Sachbearbeitung global am stärksten exponiert (ILO/NASK: 25 % weltweit, 34 % in Hocheinkommensländern)	QuBe (B); ILO/NASK, 20.5.2025 (B)	vorbestimmt	Einstufung laut Report: vorbestimmt (Struktur). Mangel an Spezialisten und Überangebot in exponierten Generalistenrollen können gleichzeitig auftreten
E	Kostendruck Automotive: Beschäftigung Ende H1 2026 ca. 691.500, −17 % gegenüber 2018, niedrigster Stand seit 2005; Ursachen China, Energie, Kosten, nicht allein Elektromobilität	ecomento/CAM, 17.8.2026 (B für Destatis, C für CAM)	vorbestimmt	Unabhängig von KI; macht Automatisierung mit Kostenfokus wahrscheinlicher; keine Trennung Verwaltung/Produktion
E	Kostendruck Banken: Morgan Stanley: ca. 200.000 Stellen bei 35 europäischen Banken bis 2030 (ca. −10 %), vor allem Back-/Middle-Office, Risiko, Compliance; ABN Amro −20 % bis 2028 (Prognosen)	IT Finanzmagazin, 2.1.2026 (C, Methode nicht offengelegt)	vorbestimmt	Einstufung laut Report: vorbestimmt (Druck), unsicher (Umfang). Cost-Income-Gap strukturell; Gegenstimmen aus JPMorgan/Goldman zur Junior-Ausbildung
E	Pharma-Patent-Cliff als Adoptionstreiber	nur Branchenmedien (Clinical Trials Arena, D)	unsicher	Einstufung laut Report: unbelegt. Keine datierte Primärquantifizierung gefunden
E	Einbruch der Einstiegsstellen DE (−46 % vs. 2019, Juli 2026; Divergenz seit Frühjahr 2022) und Akademikerarbeitslosigkeit 3,3 % (2025); Canaries-Lücke USA 19 %	Indeed via Personalwirtschaft, 23.9.2026 (C); BA (B); Stanford Canaries, Aug. 2026 (A-nah)	unsicher	STEEP E/S. Einstufung laut Report: vorbestimmt (Niveau 2026), kritisch unsicher (Attribution, Persistenz). Richtung einhellig, KI-Anteil nicht quantifizierbar (Indeed, BA); Umkehr bei Konjunkturerholung ist der Test
E	Arbeitgeberabsicht Abbau: 57 % erwarten Rückgang in zwei Jahren (Bitkom); 40 % der WEF-Arbeitgeber erwägen Abbau in automatisierbaren Bereichen; 44 % der US-CFOs planen KI-Kürzungen 2026	Bitkom 9/2026 (C); WEF 1/2025 (B); NBER/Duke 3/2026 (B)	vorbestimmt	STEEP E/S. Einstufung laut Report: vorbestimmt als Absicht. Absichten, keine Effekte; McKinsey: erwartet 32 %, realisiert 14 %
S	Vertrauen und Akzeptanz der Belegschaft DE: KI als Chance 69 % (2025: 74 %), Risiko 27 % (23 %); 22 % Jobsorge; 45 % der Erwerbstätigen lehnen KI-Unterstützung bei der Arbeit ab; Edelman: 16 % „embrace“, 53 % enthusiastischer bei Produktivität statt Abbau	Bitkom, 28.4.2026 (C, n = 1.003); Edelman Flash Poll, Nov. 2025 (C); Xing/Appinio 16 % Jobangst (Nordkurier, 1.12.2025, C)	unsicher	Kritisch unsicher. DE stabil-skeptisch, USA kippend; Mechanismus „Produktivität statt Abbau“ belegt
S	US-Backlash: Pew „mehr besorgt als begeistert“ 52 % (2026), 18–29-Jährige 31 % (2021) → 55 % (2026); 71 % erwarten weniger Jobs; Challenger KI-attribuierte Streichungen 40 % Monatsanteil (Mai 2026); Proteste, Deinstallationswellen	Pew, 18.8.2026 (B, n = 3.488); Outlook Business, 7.6.2026 (C); MIT Technology Review, 21.4.2026 (D)	vorbestimmt	Einstufung laut Report: vorbestimmt (USA), unsicher (Übertragung DACH). Keine europäischen Proteste belegt; US-Generationeninversion als möglicher Vorläufer
S	Gewerkschaftliche Regelungsstandards (Rahmen-BV, Qualifizierung in Arbeitszeit, Kontrollverbot mit Erlaubnisvorbehalt, Beschäftigungssicherung)	IG Metall 2025 (D); Lauf 1 (B)	vorbestimmt	STEEP S/P. Konsolidiert; Lücke „Agenten“ in allen Gewerkschaftsmaterialien
Ö	Energie und Rechenzentren: global 415 TWh (2024) → 945 TWh (2030, Projektion); DE 20 TWh (2024) → 25–37 TWh (2030, Projektion), Genehmigungen „jahrelang“	S&P/IEA, 10.4.2025 (B); Bitkom/Borderstep, 21.11.2024 (C)	vorbestimmt	Einstufung laut Report: Rahmen (Kosten-, Souveränitätsfaktor). Kein Verfügbarkeitsengpass für Unternehmensadoption bis 2030; CSRD-Bilanzierung von KI-Energie als Adoptionsfaktor nicht belegt
Ö	EU-Rechenkapazität ca. 5 % global (USA 75–80 %)	Börse Express, 18.7.2026 (D)	vorbestimmt	STEEP Ecol/P. Einstufung laut Report: Rahmen. Kapazitätsaufbau dauert > 5 Jahre
P	KI-VO-Fahrplan nach dem Digital Omnibus: Art. 50 Abs. 2 ab 2.12.2026, Anhang-III-Hochrisiko (inkl. HR) ab 2.12.2027, Anhang I ab 2.8.2028; Art. 4 und GPAI-Pflichten bleiben	VDE, 30.4.2026 (C); VerifyWise, Mai 2026 (D); Lauf 1: VO (EU) 2026/1744 in Kraft 27.7.2026	vorbestimmt	Richtung „Vereinfachung ohne Rücknahme“ über Rat, Parlament, Kommission konsistent
P	Produkthaftung für Software inkl. KI ab 9.12.2026 (RL (EU) 2024/2853, BMJV-Referentenentwurf Sept. 2025, BT-Drs. 21/4297)	CMS, 3.12.2025 (C)	vorbestimmt	Richtlinienfrist, 1:1-Umsetzung; Entwicklungsrisikoeinrede bleibt; KI-Haftungsrichtlinie zurückgezogen
P	Durchsetzungsdichte: harmonisierte Normen nicht verfügbar; keine Art.-14-/Marktüberwachungsverfahren vor 12/2027	VDE 4/2026 (C)	unsicher	Kritisch unsicher (U3). Baseline null; Durchsetzung entscheidet, ob Aufsichtspflichten Gestaltungsdruck erzeugen
P	Beschäftigtendatengesetz (Referentenentwurf seit Okt. 2024, neuer Anlauf 2026, Passage offen) und BetrVG-Reform (Koalitionsvertrag 9.4.2025; Bundesrat BR-Drs. 239/25 fordert KI-Beteiligungsrechte; kein Referentenentwurf)	skill-sprinters, 29.6.2026 (D); Gleiss Lutz, 14.7.2025 (C)	unsicher	Kritisch unsicher (U3). Beide Vorhaben mehrfach gescheitert
P	Digitale Souveränität: Forrester-Index DE 34 % (2025) → 36 % (2030, Prognose); nur 4,6 % der deutschen IT-Entscheider schließen EU-Software aus (Vorjahr 47,7 %); 62 % betreiben ≥ 2 Modellanbieter	Börse Express, 18.7.2026 (D); AI Index (B über D)	unsicher	Einstufung laut Report: kritisch unsicher (Trigger US-Politik), Richtung Multi-Vendor vorbestimmt. Absichtswandel groß, Kapazität klein
P	Schweiz: KI-Gesetz in Vernehmlassung bis Ende 2026, Ratifikation der Europarats-Konvention; Österreich: KI-Servicestelle bei der RTR	BJ Schweiz (B); Trending Topics (D)	vorbestimmt	Einstufung laut Report: vorbestimmt (Prozess), unsicher (Inhalt). Sektorale Regelung
S	Generationenschere: DE klassisch (Chance-Sicht 81 % bei 16–29 vs. 58 % bei 65+), USA invertiert (Jüngere am skeptischsten)	Bitkom 4/2026 (C); Pew 8/2026 (B)	unsicher	US-Inversion als Vorläufersignal über die Einstiegsstellenlage

Phasenmodell auf zwei Achsen

Breite der Nutzung und Tiefe der delegierten Autonomie sind entkoppelt; kein publiziertes Reifegradmodell ist longitudinal belegt. Das synthetisierte Modell hat fünf Phasen; ein Klick öffnet Kennzeichen, Auslöser, Fehlermuster und Indikatoren.

Phase 2: Organisierte Breite

Breite: Mehrheit per PlattformTiefe: Augmentation

Kennzeichen: Plattformentscheidung (Copilot, Gemini, Claude Enterprise), Massenqualifizierung, Nutzungsrichtlinie; Wochennutzung bei Lizenz im Firmenmittel 38 % (Spanne 9–75 %); Aufgabenmix, Meetings, Koordination unverändert; EBIT-Zuschreibung bewegt sich nicht
Dauer: Firmenbreite bis Mehrheit nutzt: 12–24 Monate (DE 2024–2026, B/C); Regelbildung/BV 12–24 Monate nach Nutzungsbeginn (B, Panel); keine organisationalen Effekte auf Löhne/Stunden nach 24 Monaten (A, Register)
Auslöser des Übergangs: Kostenprogramm mit Zielsumme (Commerzbank „Momentum 2030“, D); Strategieklarheit (C: Wirkung 80 vs. 60 % bei nur Tools); Lighthouse-Use-Case (allgegenwärtig, nicht quantifiziert; fehlende Use Cases nur noch für 11 % Hemmnis)
Fehlermuster: Lizenz ohne Training und Ermutigung (Firmenspanne 9–75 %); „Transformation Paradox“ (45 % halten Weitermachen für sicherer als Redesign); Hürden Nutzer: Datenschutz 66 %, Rechtsunsicherheit 56 %, Kosten 54 %, Akzeptanz 42 %; Nutzung ohne Zeitverwendungsregel (66 % Frontline); Microsoft-Zonen „Blocked Agency“ 10 %, „Stalled“ 16 %
Führung und Teams: Führungskraft als sichtbares Vorbild und Ermutiger (korrelativ belegter Hebel); Teams als Lerngemeinschaft; Betriebsrat als Verhandlungspartner über Regel
Interventionen: Training mit Nutzungsmustern (Erklären, Prüfen) statt Bedienung (A, Lauf 1, Befund 3); Zeitverwendungsregel (C); Rahmen-BV in der Planungsphase (B: Regeln folgen sonst); Workflow-Redesign-Pilot in 1–3 Prozessen (C, korrelativ)
Diagnostische Indikatoren: Firmen mit Nutzung (54,5 % ifo Mai 2026; 57 % Bitkom; 62 % Regelbetrieb Weizenbaum 2025); Schulung (70 % der KI-Firmen, 11 % alle Beschäftigten, Bitkom 2026); tägliche Nutzer (keine DE-Baseline; USA 13 %); Telemetrie Wochennutzung je Team (A: 9–75 %); KI-BV (31 von 440 Betrieben, Weizenbaum 2025, nur DP 53); BR-Beteiligung Planung 35 % vs. Einführung 53 % (Weizenbaum 2025, n = 233)

Matrix Dimension × Phase

frühmittelspätnicht beobachtet

Dimension	Bewegung	P1 Individuelle Aneignung	P2 Organisierte Breite	P3 Beaufsichtigte Delegation in Nischen	P4 Prozessautonomie mit Ausnahmebehandlung	P5 Verankerte Arbeitsteilung (Konstrukt)
OE1 Strategie und Zweck	mittel	Kein Zielbild; Duldung oder Verbot	Plattform- und Lizenzentscheidung als implizite Strategie; Kostenprogramm mit Zielsumme	Use-Case-Portfolio nach Funktionen; Zielbild der Arbeitsteilung meist noch implizit	Kapazitätsentscheidung wird explizit, oft öffentlich und reversibel (Klarna, Duolingo)	Zielbild je Prozesstyp (Augmentation/Delegation/Automatisierung) und Kapazitätsverwendung vor Rollout kommuniziert
OE2 Struktur, Rollen, Entscheidungsrechte	spät	Keine Regel (79 % der nutzenden Betriebe, IAB 2025)	Nutzungsrichtlinie, erste KI-BV (Systeme, nicht Aufgaben); Mitbestimmung bei Einführung 53 %, Planung 35 % (nur DP 53)	Rechtekonzepte, Berechtigungen, Eskalationsschwellen nachgezogen; AgentOps als Aufgabe ohne Rolle; Verantwortung ohne Konsens (CIO/CTO 17 %)	Ausnahmerolle entsteht faktisch, meist ohne Zeitbudget und Autorität; § 111-Pfad	Autonomiestufen je Aufgabentyp, RACI für Agenten, Stopp-Rechte, Aufsichtsrollen nach Art. 26 analog
OE3 Prozesse und Arbeitsorganisation: Aufgabenzuschnitt, Arbeitsteilung Mensch–System, Automatisierungsgrad	spät	Aufgaben werden assistiert, Zuschnitt unverändert	Aufgabenmix unverändert; Workflow-Redesign-Fokus wächst als Absicht (BCG: Reshape 50 → 57 %, Invent 22 → 42 %)	Delegation in Nischenprozessen; Frontier je Aufgabentyp erstmals kartiert; Kontextlücke erzwingt Prozessexplikation	Trägerwechsel ganzer Aufgaben; hybride Ketten; Rückbau läuft über diese Dimension (deterministische Trigger, Dual-Track)	Residual- und Nachbaraufgaben designt und geübt; Eskalationsdesign (früh, menscheninitiiert) als Regel
OE4 Führung als Systemfaktor: Spannen, Steuerungslogik, Rollenvorbild, Delegationsregeln	früh	Führungskräfte nutzen häufiger, oft verdeckt	Sichtbare Nutzung und Ermutigung als korrelativ belegter Diffusionshebel; Spannen beginnen zu wachsen (nicht KI-attribuierbar)	Führungskraft als Spezifikations- und Prüfinstanz ohne Regelwerk (Plausibilität); Mittelmanager stärker belastet (47 vs. 31 %)	Führungskraft als Überbringer der Kapazitätsentscheidung; Managementqualität als Angstpuffer (−6,8 bis −11,1 Punkte)	Delegationsregeln setzen und überstimmen; Spannen gegen Aufsichtslast austariert
OE5 Kultur, Normen, psychologische Sicherheit	früh	Verheimlichung, Stigma, „cheating“-Deutung	Nutzungsnormen entstehen (erlaubt/offenzulegen/untersagt); Akzeptanz steigt langsam; Kontrollverbote in BVs	Vertrauen in Agentenoutput niedrig (19 % Vertrauen in Hallucination-Schutz); Workslop-Risiko bei agentenvermitteltem Output ungemessen	Vertrauenskrise bei Abbauankündigung auch bei Nicht-Betroffenen (23 vs. 18 % Angst); Misstrauensspirale (PLS)	Offenlegung als Norm; Fehler besprechbar; BV als Vertrauensinstrument
OE6 Zusammenarbeit und Teamdesign (Gestaltungsanteil)	nicht beobachtet	Einzelnutzung, keine Teamnorm	Teamweise Clusterbildung (sichtbare Nutzung +216 % Odds); Selektionsfunktion des Teams unbeachtet	Review-Rollen entstehen ad hoc (Power-User prüfen Agentenoutput)	Teams als Ausnahmebearbeiter-Pools; Übergabe Mensch–Agent–Empfänger undefiniert	Teamzuschnitt um Spezifikation, Prüfung, Selektion, Kuratierung
OE7 Steuerung, Anreize, Metriken	spät	Keine Metrik	Nutzungsquote und Lizenzauslastung als einzige Kennzahl; Schulungsquote als Erfolgsmaß	Token-Budgets (43 %), Kostenprüfung bei Freigabe (74 %), Monitoring-Dashboards (70 %) entstehen; Aufsichtsmetriken fehlen	Headcount und Durchsatz; Rückbau zeigt fehlende Qualitäts-/Volumenmetrik	Eingriffsquote, erkannte Fehler, Rückfallkosten, Verwendung freigesetzter Zeit, Vollkosten je Aufgabe; mehrjähriger Bewertungshorizont
OE8 Organisationale Lernfähigkeit und Wissensmanagement (Regeln, Rollen, Flüsse)	spät	Irrelevant; Wissen im Kopf	Prompt-/Use-Case-Bibliotheken als Community-Artefakte; RAG-Qualität als Augmentationsproblem	Kontext wird Engpass; Kuratierung an IT delegiert („Data Readiness“) oder ungeklärt	Implizites Wissen geht mit Abbau; Ausnahmefälle ohne Rückkanal	Kuratierungsrollen mit Zeitbudget; Rückkanal Ausnahmen → Prozess/Prompt/Modell; „Owned Intelligence“
PE1 Bedarfsanalyse und Kompetenzmodelle (inkl. Skills-Taxonomien, KI-Kompetenz)	früh	Keine Bedarfsanalyse	Art.-4-Kompetenzmodell: Bedienung, Regeln, Datenschutz; Skills-Inferenz als Vendor-Angebot	Delegations- und Spezifikationskompetenz erstmals gefragt, nicht modelliert	Aufsichtskompetenz (Art. 14 Abs. 4 analog) für Ausnahmebehandler faktisch verlangt, nicht erhoben	Kompetenzmodell mit Discernment, Delegation, Diligence; unassistiert gemessen
PE2 Qualifizierung und Lernformate (individuell und im Team)	früh	Selbstlernen, Prompt-Tipps	Massenqualifizierung (Grundlagen, Compliance), Champion-Netzwerke; Budget je Kopf fällt (ATD −408 USD)	Spezialisierte Formate für Power-User und Entwickler; Supervisionstraining fehlt	Umschulungspfade (IKEA 5–6 Wochen) oder Pflichtmodule	Rollenspezifische Nutzungsmuster, geplante unassistierte Praxis, Peer-Formate mit Verbindlichkeit
PE3 Förderung: Laufbahn, Nachfolge, Potenzialerkennung	nicht beobachtet	Unverändert	Unverändert; Einstiegsstellen am Markt fallen (−46 %), Attribution offen	Junior-Aufgaben werden delegiert; Nachbesetzung stockt informell	Nichtnachbesetzung („non-backfilling“) als Headcount-Instrument; Wiedereinstellungszyklen	Einstiegsrollen redesignt (answer-key, preceptor); Nachfolgeplanung unter Wegfall kodifizierter Juniorarbeit
PE4 Expertiseaufbau und Erfahrungslernen (Novizen-Experten-Pfad, Mentoring)	früh	Assistierte Leistung steigt, unassistierte Kompetenz unbeobachtet	Volldelegation innerhalb der Assistenz senkt Verständnis (Lauf 1, Befund 3); keine geplante Übung	Prüfkompetenz wird Restaufgabe, Übung entfällt	Deskilling der Ausnahmebehandler (Prüfmuster Endoskopie, Lauf 1); Vigilanzverlust	Mischarbeit, Rotation Ausführen/Prüfen, KI-freie Prüfgates, Simulation
PE5 Führungskräfteentwicklung (Fähigkeit: Spezifikation, Supervision, Ausnahmebehandlung, Bewertung)	mittel	Keine	Mindset-Formate, Reverse Mentoring vereinzelt	Spezifikations- und Supervisionskompetenz gefragt, nicht trainiert (Plausibilität)	Ausnahme- und Eskalationskompetenz faktisch verlangt	Logik-Audit, Bewerter-Bias, Delegationsregeln als geübte Fähigkeiten; evaluierte Programme (Berkeley 2027 als erster Test)
PE6 Leistungsbeurteilung und Feedback (als Lern- und Entwicklungsinstrument)	nicht beobachtet	Verdeckte KI-Nutzung in Reviews (41 % US-Manager)	Nutzungsquote droht Bewertungskriterium zu werden (Duolingo-Muster)	Agentenvermittelter Output unbeurteilbar; Attributionsfehler	Ausnahmebehandler an Durchsatz gemessen, haftet für Agentenoutput	Spezifikations- und Prüfqualität als Kriterien; Kennzeichnung; Verbot der Kontrolle über Bot-Daten
PE7 Transfersicherung und Lernkultur	früh	Peer-Lernen blockiert	Communities of Practice als Struktur ohne Wirkungsmessung	Lernen aus Ausnahmefällen ohne Rückkanal	Keine Lernzeit („one more thing I don't have time to learn“)	Lerngemeinschaften um Ausnahmefälle; Transfer mit und ohne KI
PE8 Rolle und Organisation der L&D-/PE-Funktion	früh	Keine Rolle	Schulungsdienstleister der IT; Content-Automatisierung; Budgetdruck	AI-Enablement-Rolle (Signal); Aufsichtsqualifizierung fehlt	Training als Automatisierungsvorbereitung (47 %) oder Umschulung	Aufsichtsqualifizierer und Normsetzer für Nutzungsmuster; Partner der OE

Verlauf: Überspringen, Rückbau, Szenarioabhängigkeit, RPA

Überspringen

ein Fall (D); MITRE/Gawron 2019 (A/B)

Keine empirische Quelle misst das Überspringen von Phasen. Einziger dokumentierter Fall, der die Tiefenachse ohne vorherige Breite betrat: Klarna (Abbau 2022 vor Assistentenstart 2024, Prozessautonomie im Kundenservice ohne Augmentationsphase). Die Luftfahrt-Literatur belegt, dass jede Automationsstufe eigene Fertigkeitsverluste erzeugt, unabhängig vom Tempo. Folge: Überspringen ist möglich, riskant aus Plausibilitätsgründen, nicht quantifiziert.

Rückbau

C (Abbruch), B (WSI), D (Fälle); Reuequoten C/D

Auf drei Ebenen belegt: Projektabbruch (S&P 17 → 42 %; Weizenbaum Use-Case-Aufgabe), Erwartungskorrektur (Headcount 32 vs. 14 %; WSI 8 → 5,5 %) und Organisationsumkehr Automatisierung → Mensch (Klarna; CBA 45 Rollen nach einem Monat; Salesforce „Vivant“). Alle Umkehrungen betreffen Automatisierung mit Headcount-Entscheidung; Rückbau ist stets ein Schritt zu Hybrid/Dual-Track, nie Abschaffung, nie Rückfall auf der Breitenachse. Korrekturpunkt im Kundenservice typischerweise 6–12 Monate nach Ankündigung. Zyklizität beobachtet niemand.

Szenarioabhängigkeit

Ableitungen aus den Szenariokonstrukten, keine Evidenz

Szenario 1 und 3: Pfad 1 → 2 → 3 → 5, Phase 4 als Ausnahme; Übergang 2 → 3 durch BVen und Aufsichtspflichten gebremst, aber stabilisiert, Rückbau selten. Szenario 2: Phase 2 und 3 übersprungen oder parallel, Phase 4 früh und unterhalb der Verlässlichkeit, Verlauf zyklisch, Breitenachse stagniert. Szenario 4: Phase 3 fällt weitgehend weg (2 → 4 direkt); Phase 5 ohne PE-Seite, Deskilling-Plateau nach 2032.

Deterministisch vs. LLM

B/C (Lacity/Willcocks, Deloitte), C (Gartner), D (Fälle)

Deterministische Logik: Prozessstabilität → Regeln → Bot → Skalierung nach Stückzahl (Willcocks/Lacity, Deloitte), setzt Standardisierung voraus. LLM-Logik: Assistenz → beaufsichtigte Delegation → Prozessbetrieb, skaliert entlang der Varianz, scheitert an Zuverlässigkeit. Pfade kreuzen sich bei Einbettung in RPA-Infrastruktur, deterministischem Ersatz unzuverlässiger Schritte (Vivant) und LLM-Klassifikation als Bot-Vorstufe. RPA-Welle 2017/18 und Agentenwelle 2025: Pilot : Skalierung ca. 15–25 : 1, strukturgleich. Modi laufen 1–2 Jahre versetzt (getrennte Hype-Zyklen).

RPA-Vorgeschichte

C (UiPath), D (Fälle); Plausibilität

Keine Studie vergleicht Agentenadoption nach RPA-Vorgeschichte; UiPath 2024 (37 % „nutzen bereits agentische KI“) ohne Vergleichsgruppe. Fallevidenz zeigt anderen Träger (Siemens „IT Automation Excellence“; Commerzbank Analytics-Einheit), nicht anderes Tempo. Plausibel: Governance-Routinen als Vorteil, aber Gefahr, Agenten als Bots zu behandeln und AgentOps in der IT statt in der Linie zu verankern. RPA-Fehlermuster sind wortgleich die 2025er GenAI-Befunde.

Was im Modell auf Evidenz und was auf Plausibilität beruht

Breite und Tiefe sind getrennte Achsen, keine Leiter

Evidenz

McKinsey (KI 44 % vs. Agenten 40/22 %), Bitkom (57 vs. 11 %), Gartner (getrennte Hype-Zyklen), Anthropic (directive-Anteil nicht monoton); Stufe C, konvergent

Individuelle Aneignung: Effekt sofort, Plateau nach 1–2 Monaten

Evidenz

Brynjolfsson/Li/Raymond (n = 5.179), Copilot-Experiment (56 Firmen), Humlum/Vestergaard (Register); Stufe A, Augmentation

Individueller Zugang erzeugt keine organisationalen Effekte (Aufgabenmix, Koordination, Löhne) bis Monat 24

Evidenz

Copilot-Experiment; dänische Registerdaten; Stufe A, Augmentation

Breitenphase ist organisational, nicht technisch bestimmt

Evidenz

Firmenspanne 9–75 % bei identischer Lizenz; Ermutigung 47 → 83 %; Stufe A/B, Augmentation

Regeln folgen Nutzung mit 1–2 Jahren Verzug; Mitbestimmung kommt nach der Designentscheidung

Evidenz

Weizenbaum-Panel (BV 4 → 31 und Planung 35 % nur aus DP 53; Einführung 53 % primär bestätigt); IAB; KPMG-Governance-Sprung; B für DACH-Breite, C für Agenten

Reihenfolge PE2/PE1 → OE5/OE4 → OE2-Regeln → OE8 → OE3/OE7

Evidenz

Panel (B), Querschnitte (C), Fälle (D); Evidenz für die ersten drei Schritte (B), Korrelation für die letzten (C)

Hürden wandern mit der Phase (Recht/Kompetenz → Daten/Governance/Kosten)

Evidenz

Bitkom Nicht-Nutzer vs. Nutzer; KPMG; Gartner; Stufe C

Rückbau nur auf der Tiefenachse, je Prozess, um eine Stufe

Evidenz

Klarna, CBA, Salesforce (D); Weizenbaum Use-Case-Aufgabe (B); Reuequoten (C); D-Fälle, konsistent mit B/C-Aggregaten

Phasendauern auf Organisationsebene

Plausibilität

keine Quelle; nur Projektzyklen belegt

Übergangsauslöser (Kostenprogramm, Strategieklarheit, Ermutigung)

Plausibilität

Korrelate (C) und Fälle (D); Plausibilität mit korrelativer Stütze

Phase 5 als erreichbarer Zustand

Plausibilität

6 % High Performer (C, Selbstauskunft) ohne Beschreibung der OE-/PE-Ausprägung; Konstrukt

Überspringen ist riskant

Plausibilität

Luftfahrt-Prüfmuster (A/B) belegt Skill Degradation bei jeder Stufe, nicht beim Überspringen

RPA-Vorgeschichte verändert Träger, nicht Tempo

Plausibilität

Siemens, Commerzbank (D)

Deterministische und probabilistische Logik kreuzen sich am unzuverlässigen Schritt

Evidenz

Salesforce „Vivant“ (D); van der Aalst (A, Theorie); Evidenz (ein Fall) plus Theorie

Vergleich vorhandener Reife- und Phasenmodelle

Modell	Herausgeber	Jahr	Phasen	Achsen	Datenbasis	Evidenz	Motivation	Dauer / Übergang / Rückbau
Frontier Firm (3 Phasen)	Microsoft	2025	Assistent → Agenten als digitale Kollegen → Mensch führt, Agenten betreiben Prozesse	Autonomietiefe (einziges Modell mit dieser Achse); Frontier-Firm-Definition über Breite + ROI + Agentenplan	31.000 Befragte, 31 Märkte, 9.037 Leaders (844 = ca. 9 % Frontier), M365-Telemetrie ohne EU-Tenants, Selbstauskunft (WTI 2025)	C	Copilot, Agenten, Agent 365	Keine Phasendauer; „2–5 Jahre“ bis alle auf dem Weg; nicht linear, Phasen gleichzeitig; kein Rückbau
Readiness-Zonen / Frontier Professionals	Microsoft	2026	Frontier 19 %, Emergent 50 %, Blocked Agency 10 %, Unclaimed Capacity 5 %, Stalled 16 % (Zustände, keine Phasen)	Individuelle Fähigkeit × organisationale Unterstützung	20.000 KI-Nutzende, 10 Märkte inkl. DE, 105.000 Copilot-Chats, Korrelationen (WTI 2026)	C	wie oben	Keine Dauer; Stillstand als Zone (16 %); „Transformation Paradox“; organisationale Faktoren 67 % vs. 32 %; Drei-Phasen-Modell von 2025 nicht fortgeschrieben
Deploy–Reshape–Invent, 10-20-70, Reifeindex	BCG	2024	Stagnating / Emerging / Scaling / Future-built (Index 0–100); 26 % Leaders, 4 % Future-built	Capability/Wert; Value Plays nach Ambition	1.000 CxOs, 59 Länder, Selbstauskunft; 10-20-70 ohne Methode (BCG 2024)	C	Transformationsberatung	Keine allgemeine Dauer (ein Fall: 10 Wochen PoC); Leaders mit halb so vielen Use Cases; 74 % ohne Wert; kein Rückbau; Deploy/Reshape/Invent kommt im Datenreport nicht vor
AI Radar	BCG	2026	Trailblazers ca. 15 % / Pragmatists ca. 70 % / Followers ca. 15 %	Investitions-/Ambitionsniveau	2.360 Befragte, 640 CEOs, 16 Länder, Absichten (AI Radar 2026)	C	wie oben	94 % investieren weiter trotz ausbleibender Rendite; 6 % Rückzug geplant
State of AI, High Performers, Rewiring	McKinsey	2025, 2026	Experimenting → Piloting → Scaling (Statusfrage); High Performers ca. 6 %	Breite (Funktionen) × EBIT-Effekt; Agenten separat	1.719 Befragte, 97 Länder, Mai–Juni 2026, 552 in beiden Wellen, Selbstauskunft (McKinsey 2026)	C	Rewiring-Beratung	„Adoption slower than technology“; Headcount-Erwartung 32 % vs. Realität 14 %; High Performers stabil; kein Rückbau
Enterprise AI Maturity (4 Stufen)	MIT CISR	2024	Experiment & Prepare 28 % → Pilots & Capabilities 34 % → AI Ways of Working 31 % → Future Ready 7 %	Capability/Plattform; Finanzperformance je Stufe	721 Firmen + 16 Interviews, Querschnitt, Jahr nicht genannt (CISR Pressemitteilung, 19.12.2024)	B/C	Sponsorenforschung, Briefings paywalled	Keine Dauer, keine Übergangsfaktoren, kein Rückbau
AI Maturity Model (5 Stufen) + Survey	Gartner	2025	Foundational → Emerging → Operational → Scaled → Transformational; 7 Säulen	Capability-Säulen	Self-Assessment; Survey n = 432, Q4 2024 (Gartner, 30.6.2025)	C	Analystenverträge, Toolkit	45 % (reif) vs. 20 % halten Projekte ≥ 3 Jahre (einzige Reifekennzahl mit Zeitbezug, zirkulär); Vertrauen der Fachbereiche 57 vs. 14 %
Hype Cycle AI / Agentic AI; Agentenprognosen	Gartner	2025, 2026	GenAI im Tal (2025); agentische KI am Gipfel (2026)	Erwartung über Zeit, nicht Organisationsreife	Analystenurteil; Poll n = 3.412	C/D	wie oben	> 40 % Agentenprojekte bis 2027 abgebrochen (Prognose); 30 % GenAI-Projekte nach PoC bis Ende 2025 (Prognose, nicht nachgeprüft); 17 % deployed; Agent Washing; Modi laufen auf getrennten Hype-Kurven, ca. 1–2 Jahre versetzt
State of GenAI in the Enterprise (Wellen)	Deloitte	2024/25	Experimentation → Deployment → Scaling (keine formalen Stufen)	Breite/Skalierungsgrad	2.773 Befragte, 14 Länder, Juli–Sept. 2024 (Deloitte Q4)	C	GenAI-Beratung	> 2/3 skalieren ≤ 30 % der Experimente in 3–6 Monaten; 70 % erwarten ≥ 12 Monate bis ROI; 76 % warten ≥ 12 Monate vor Kürzung (Erwartungen, keine Messung)
Reinvention / Talent Reinventors	Accenture	2024, 2026	Experimentierend vs. Reinventors 18 %	Capability + Talentpraktiken	1.320 C-Level + 4.560 Beschäftigte, 12 Märkte (Sekundärbericht)	C/D	Reinvention-Services	Keine Dauer; kein Rückbau
Agentic Maturity Model (0–4)	Salesforce	2025	Fixed Rules/Copilots → Info-Retrieval-Agenten → Simple Orchestration → Complex Orchestration → Multi-Agent	Autonomie, Orchestrierung, Domänenbreite, Datenharmonisierung	keine; konzeptionell (Salesforce)	D	Agentforce, Data Cloud	Sequenzielle „How to advance“-Schritte; nichts zu Dauer, Überspringen, Rückbau; Copilots auf Stufe 0 (Assistenz unterhalb, nicht parallel zur Agentenskala)
State of Enterprise AI	OpenAI	2025	Pilots → Full Deployment; Frontier Workers/Firms (95. Perzentil)	Nutzungsintensität/-breite	Kundentelemetrie, 9.000 Befragte, 6 Fälle (OpenAI)	C/D	ChatGPT Enterprise, API	„Early innings“; „constraint is organizational readiness“; keine Dauer
Enterprise AI Transformation Guide	Anthropic	2025/26	Foundation → Targeted Pilots → Drive Impact	Vorgehensschritte	Kundenbeispiele (Anthropic)	D	Claude Enterprise	Piloten mit Wert in 30–60 Tagen; keine Fehlerfälle
Industrie 4.0 Maturity Index	acatech/FIR	2017, 2020	Computerisierung → Konnektivität → Sichtbarkeit → Transparenz → Prognosefähigkeit → Adaptierbarkeit; 4 Gestaltungsfelder	Datenreife bis Autonomie; Ressourcen/IS/Organisation/Kultur	Konsortium, Fallstudien, Harting-Validierung, Verteilung n = 70 (acatech 2020)	B	acatech-Beratungsableger, Assessments	„Schrittweise“ aufbauen; mehrjährig; Pilotinseln statt Skalierung; Stufe 5 → 6 (Prognose mit manueller Maßnahme → autonome Entscheidung) entspricht Delegation → Automatisierung und ist die letzte Stufe nach vier Datenstufen
Change-Management-Phasen KI	Plattform Lernende Systeme (AG2)	2020	Zielsetzung & Folgenabschätzung → Planung & Gestaltung → Vorbereitung & Implementierung → Evaluation & Anpassung	Beteiligungs-/Gestaltungsphasen	Konzeptionell, 5 Praxisbeispiele ohne Wirkungsmessung (PLS)	C/D	BMBF-Plattform, keine	„Spirale des Misstrauens“ bei fehlender Information; Qualifizierung in Phase 3; Mitbestimmung ab Phase 1; Vor-LLM
Beteiligung entlang der ML-Pipeline	Hans-Böckler-Stiftung (Mollen/Hondrich)	2023	Problemdefinition → Daten → Training → Praxis → Retraining	Beteiligungszeitpunkte	Analytisch (Böckler Impuls)	D	Gewerkschaftsnahe Stiftung	Frühe Beteiligung normativ; keine Outcomes; das Schema „Information → Beratung → Vereinbarung → Evaluation“ wurde in keiner Böckler-Quelle gefunden
KI in der Wirtschaft	Bitkom Research	2026	Nutzung 57 % / planen 38 %; Agenten 11 %; Potenzial „voll“ 0 %	Breite (Nutzung, Agenten, Schulung)	n = 603, ≥ 20 Beschäftigte, telefonisch (Bitkom)	C	Verband	Kein Modell; „nur der Einstieg geschafft“
AI Maturity Model Review	Sadiq et al. (PeerJ CS)	2021	Review: meist 5 Stufen (8 von 14), Spanne 4–9	Data, Analytics, Tech, Automation, Governance, People, Organization	15 Studien 2018–2020 (Sadiq et al.)	A (Review)	keine	7 von 15 validiert, 7 konzeptionell; „mostly from analyst organizations“; keine Theoriebasis; Vor-LLM
TOE × GenAI (Mixed Methods)	Hughes et al. (IJIM 86)	2026	Kein Stufenmodell; Faktoren	Relative Advantage, Complexity, Staff Skills, Change Capacity, Regulierung	14 Interviews + n = 304 (Prolific, Dez. 2024), SEM R² ≈ 0,41 (Hughes et al.)	A (Querschnitt)	keine	Staff Skills β = 0,39, Relative Advantage β = 0,34, Complexity β = −0,135; Regulatory Pressure n. s.; Change Capacity moderiert; Pilot → Integration „significant challenge“; Augmentation
AI Readiness Factors	Jöhnk et al. (BISE)	2021	Kein Stufenmodell; 5 Readiness-Kategorien	Assets, Capabilities, Commitment	25 Experteninterviews (AIS eLibrary)	A (qualitativ)	keine	Readiness „in its infancy“; kein Verlauf
DT vs. ITOT Prozessmodell	Wessel et al. (JAIS)	2021	Keine Stufen; Imposition-Reconciliation-Schleife	Wertversprechen × Identität	2 Längsschnittfälle (Wessel et al.)	A	keine	Emergente Sequenz; Verwaltungsarbeit (ITOT, Identität bleibt) vs. Kernarbeit (DT, Identität neu)
RPA Journey (localised vs. strategic)	Lacity & Willcocks (LSE)	2016–2019	Leaders 20 % / Followers 25 % / Laggards 35 % / Also-rans 20 %	Strategische Einbettung; Prozessstabilität	420 Deployments, Fallstudien (CIO NZ, Sekundärbericht)	B/C	Buchautoren, Beratung	Pilotstopp bei Quick Wins; 30–50 % Fehlschlag (EY, Whitepaper-Zahl); 75 % Managementprobleme; „kontrolliertes Experiment im Live-Betrieb“
Automation with Intelligence	Deloitte	2020	Piloting 1–10 Bots 37 % → Implementing 11–50 23 % → Scaling 51+ 13 %	Bot-Anzahl	n = 441, 29 Länder (Deloitte 2020)	C	Automatisierungsberatung	Prozessfragmentierung Top-Barriere drei Jahre in Folge; 34 % Umschulung erwartet; 2017: 3 % mit > 50 Bots
Lessons Lost: Automation in Aviation	MITRE (Gawron)	2019	Keine Stufen; Automationskontinuum Wiener → Parasuraman	Automationsgrad × menschliche Leistung	Review 1970–2000 (MITRE)	A/B	FFRDC, keine	Skill Degradation und Complacency bei jeder Stufe; Tempo/Überspringen ausdrücklich nicht behandelt

Interventionen, Metriken, Rollen

Was Wirkungsnachweis hat und was nur einen plausiblen Mechanismus. Nutzungsquote ist eine Vanity-Metrik; Aufsichtsmetriken für Agenten haben nirgends eine Baseline.

Modus Phase

Ermutigungsnorm statt Verbot (Vorbedingung)

A Augmentation

Mechanismus: Erlaubnis senkt soziale Strafe und Unsicherheit; Verbot verdrängt in den Schatten
Beste Evidenz: A: Humlum/Vestergaard Mai 2025, n ≈ 25.000/7.000 Betriebe: 47 → 83 %, Verbot → ca. ⅓; C: PagerDuty Juni 2026, n = 1.250, 66 % gegen Policy
Dimensionen: OE4, OE5
Phase: 1–2
Fehlermuster: Verbot; Mandat ohne Norm; Regeln für Führung anders als für den Rest

Multiplikatoren-/Champion-Netzwerke

A-nah (Mechanismus); A ausstehend (Programm) Augmentation; Delegation nur Coding

Mechanismus: Peer-Sichtbarkeit und lokale Hilfe senken Einstiegshürde
Beste Evidenz: A-nah VK: Microsoft CLI Juli 2026, Zehntausende: Manager +82 %, Peers +54 %, Skip-Level +216 % Odds; A ausstehend: RCT LMU/ESSEC (AEARCTR-0018777, 40 Filialen, Sept. 2026–Dez. 2027); D: Moderna, EPC, Prosci-Fälle
Dimensionen: OE4, OE5, PE7, OE8
Phase: 1–2; „Builder Champs“ in 3 ungemessen
Fehlermuster: Wirkt auf Erstnutzung, nicht Retention; Champion als unbezahlte hidden work; Auswahl nach Technikaffinität; Aktivierung als Erfolgsmaß

Communities of Practice

D/C keine Wirkungsevidenz

Mechanismus: Peer-Lernen, Explikation von Nutzungsmustern
Beste Evidenz: D VK: Microsoft 2024 > 70.000 Mitglieder, ca. 46.000 MAU; Moderna 2.000 wöchentlich Aktive; C: Prosci „structured workflow sharing“ qualitativ
Dimensionen: OE8, PE7
Phase: 2–3
Fehlermuster: Teilnahme als Erfolg; versandet nach Rollout-Welle; kein Rückkanal für Ausnahmen

Geschützte Experimentierräume

A-nah Augmentation

Mechanismus: Risikobegrenzung plus Zeit für Varianzkontrolle vor Ort
Beste Evidenz: A-nah: Kellogg/Karunakaran/Wiesenfeld 2026, zwei Organisationen, zwei Jahre: 141 vs. 3 Lösungen, > 80 % Ausstieg; D: Tampere-Sandbox (EASE 2026), DHI-Hackathon (AWS, Sept. 2026)
Dimensionen: OE3, OE8, OE7, OE2, PE4
Phase: 2–3
Fehlermuster: Hidden work, Abbruch; Prototyp ohne Produktionspfad; Nachwuchs verliert Übung; Nutzungslift ohne Qualitätsmaß

Aufgaben-/Rollenredesign in Teams

A (Nullbefund); C (Positivbeleg) Augmentation; Automatisierung nur Prüfmuster

Mechanismus: Aufgabenzuschnitt entlang der Fähigkeitsgrenze; Selektionsfunktion des Teams sichern
Beste Evidenz: A (Nullbefund ohne Redesign, Lauf 2: individueller Zugang verändert Aufgabenmix nicht, 7.137 Beschäftigte); C: High Performer ca. 75 vs. 25 % Redesign (McKinsey 2026, n = 1.719); D VK: Job Crafting R² = 0,18, n = 295 (Multiverse Okt. 2025)
Dimensionen: OE3, OE6, OE2, PE4
Phase: 2–4
Fehlermuster: Redesign als Tool-Rollout verkleidet; Teamselektion verloren; Juniorarbeit ohne Ersatzübung delegiert

Delegationsregeln, Autonomiestufen je Aufgabentyp, Verantwortungsarchitektur

C/D/Primär ohne Outcome; A-nah (READY) Delegation / Automatisierung

Mechanismus: Fähigkeit ≠ Erlaubnis; Stufung nach Reversibilität; Owner je Agent
Beste Evidenz: C/D/Primär ohne Outcome: Gartner 26.5.2026 (4 Stufen), ExxonMobil AAL/ACL (arXiv Juli 2026), IMDA 20.5.2026, FSB-Konsultation 10.6.2026, Microsoft Inside Track; A-nah VK: READY Sept. 2026, 16 Systeme, 21–100 % Review-Anteil
Dimensionen: OE2, OE4, OE7, PE5, PE1
Phase: 3 (vor Rollout), 4–5 (BV)
Fehlermuster: Binäre Governance; Stufen nach Produkt; Freigabe je Aktion auch bei Reversiblem; Governance nach Vorfall; Agenten wie Assistenten ausgerollt

Design der Ausnahmebehandlung

A-nah / A Automatisierung mit Ausnahmen (Alibaba); Augmentation (CFF)

Mechanismus: Zeitpunkt und Initiator der Eskalation; Friktion an irreversiblen Punkten
Beste Evidenz: A-nah (randomisiertes Feldexperiment, Preprint Mai 2026, Alibaba-Mitautorin): früh/menschlich −0,52 vs. spät/algorithmisch −0,93 Bewertungspunkte, +40,8 % Dauer; A: Buçinca 2021 (CFF senken Overreliance, werden abgelehnt); A-nah VK: Ghosh et al. Jan. 2026, n = 214: „Assumptions“-CFF senkt Overreliance ohne Mehrlast; A: Automation Bias durch Training allein nicht verhinderbar
Dimensionen: OE3, OE2, OE7, PE4
Phase: 3–4
Fehlermuster: Rubber-Stamp/Approval Fatigue (ungemessen); späte algorithmische Eskalation; Ausnahmebehandler an Durchsatz gemessen; wirksame Friktion wird abgelehnt

Use-Case-/Prompt-Bibliotheken

D (Fälle); A (Risiko) keine Wirkungsevidenz

Mechanismus: Explikation, Einstiegshürde senken
Beste Evidenz: D VK: Moderna 750 GPTs in zwei Monaten; Microsoft Agentenkatalog mit Re-Attestierung; A (Lauf 1): Prompt-Einführung verschlechtert Leistung außerhalb der Grenze
Dimensionen: OE8, PE2
Phase: 2–3
Fehlermuster: Artefaktzahl als Erfolg; ohne Owner und Wartungszeit; Prompt suggeriert Verlässlichkeit jenseits der Grenze

Training von Beurteilungs-/Evaluationskompetenz

A (klein) Augmentation

Mechanismus: Musterbasierte Diskrimination; erklärende Nutzungsmuster
Beste Evidenz: A klein: Kamali et al. ICWSM 2026, 32 Analysten, 2.544 Urteile: +9 Punkte (95 %-KI 2,7–15,4) nach 30 Min., Bilddomäne; A (Lauf 1): 86 vs. 39 % Verständnis; A: Automation Bias nicht wegschulbar
Dimensionen: PE1, PE2, PE4
Phase: 2–3
Fehlermuster: Bedien- statt Prüfschulung (Art.-4-Compliance); Prompt-Schulung ohne Grenzmarkierung; Training ohne OE-Flankierung

Teamnormen für Nutzung und Kennzeichnung

A / A-nah Augmentation

Mechanismus: Aufgabenbezogene Erwartung; Bewerter zu Nutzern machen; Kennzeichnung als Prüfinformation
Beste Evidenz: A (Lauf 1): Reif et al. PNAS 2025, n > 4.400; A: Schilke & Reimann 2025, 13 Experimente; A-nah: Niszczota & Grützner 2025, 491 Entscheider: 36 % des Verdienstes vernichtet, Nutzer strafen weniger; A-nah: Kickstarter-Offenlegung Feb. 2026: −39,8 % Mittel
Dimensionen: OE5, OE6, PE6
Phase: 1–2; 3–4 für Agentenoutput ungemessen
Fehlermuster: Offenlegungspflicht ohne Bewerterwandel; Nutzung als Bewertungskriterium; keine Aufgabenspezifik

Führungskräfte-Coaching / Manager-Training

A-nah / A (Mechanismus); keine Programmevaluation Augmentation

Mechanismus: Vorbild, Framing, Delegationsautorität
Beste Evidenz: A-nah: Manager-Nutzung +82 % Odds; A: Verdrängungsframing −0,43 SD (n = 1.863, Intentionen); A (Lauf 1): KI-Coaching RCT null, n = 114; C: Prosci 35 % bereiten Manager vor
Dimensionen: PE5, OE4
Phase: 1–2 (Vorbild); 3–4 (Supervision, ohne Evidenz)
Fehlermuster: Mindset-Format ohne Nutzungsauftrag; Verdrängungsnarrativ; Manager als strafender Bewerter; Vorbereitung erst nach Rollout

Betriebsvereinbarung als Gestaltungsinstrument

B Augmentation (Panel); Agenten ohne BV

Mechanismus: Vertrauenszusage (Mitwirkung führt nicht zu Abbau), Regeln vor Planung, Wissensbeitrag unter Schutz
Beste Evidenz: B: Weizenbaum 2025, 440 Betriebe: BR-Beteiligung 53 %, höhere Akzeptanz/weniger Verdichtung (ohne Zahl); B qualitativ: Böckler Nr. 494 Feb. 2025, > 80 Interviews, 21 Unternehmen
Dimensionen: OE5, OE2, OE8
Phase: 2 (Rahmen-BV), 4 (§ 111), 5 (Autonomiestufen)
Fehlermuster: BV nach Deployment; System- statt Aufgabenbezug; BV als Verbotsinstrument; keine Agentenregel

Hersteller-Adoptionsprogramme (Kohorten, Launchpad, Office Hours)

D; A-nah (eine Zahl) Augmentation; Coding-Delegation

Mechanismus: Formate für die Breitenphase
Beste Evidenz: D VK: Microsoft 2024/2026 (> 300.000 Beschäftigte, keine Agentenzahl, kein ROI), Moderna, EPC, Prosci-Fälle; A-nah VK: +24 % Merged PRs einzige kontrollierte Zahl
Dimensionen: PE2, OE4
Phase: 2
Fehlermuster: Aktivierung/Artefakte als Erfolg; Agentenrollout wie Assistentenrollout; keine Aufsichtsmetrik

Metriken jenseits der Nutzungsquote

Metrik	Misst	Evidenz für Wertprognose	Modus	Quelle / Stufe
Nutzungsquote, Lizenzauslastung, tägliche NutzerVanity	Zugang/Aktivität	Vanity: entkoppelt von Lohn/EBIT (Lauf 1, A); Firmenspanne 9–75 % bei gleicher Lizenz (Lauf 2, A); ohne Strategie Burnout-korreliert	Augmentation	Lauf 1/2 (A); Makridis, CESifo WP 12373 (B)
Pilot-, Tool-, Use-Case-ZahlenVanity	Aktivität	Vanity: „activity ≠ impact“; 63 % der Finance-Leader berichten langsamere Implementierung als erwartet (n = 204)	alle	Gartner, 28.5.2026 (C)
Selbstberichtete Produktivität/ZeitersparnisVanity	Wahrnehmung	Vanity/verzerrt: > 80 % nehmen Gewinn wahr (DORA) vs. −19 % gemessen (METR, Lauf 1); 3–7 % der Ersparnis werden Lohn (Lauf 1)	Augmentation	DORA 2025 (B/C); Lauf 1 (A)
SchulungsquoteVanity	Compliance	Vanity: Art.-4-Schulungssprung ohne Prüfkompetenz (Lauf 2); Telekom > 100.000 Geschulte ohne Wirkungszahl	alle	Lauf 2 (C); Telekom, 5.10.2026 (D)
EBIT-/Wertzuschreibung	Finanzwirkung (Selbstauskunft)	Zielgröße, kein Prädiktor; 37 % unverändert gegenüber 2025	alle	McKinsey State of AI 2026 (C, n = 1.719)
Anteil fundamental redesignter Workflows	Komplementärinvestition (OE3)	korrelativ stark: ca. 75 vs. 25 % (High Performer vs. Rest); 42 % (BCG 2026, +20 Pp)	alle	McKinsey (C); BCG, 2.6.2026 (C, ca. 12.000)
Definierter Messprozess vorhanden	OE7-Reife	korrelativ: High Performer 2×; Metriken bei „KIT-Führern“ an Skalierungsentscheidungen gekoppelt	alle	McKinsey (C); Frankfurt School CPMC, Nov. 2025 (B/C, n = 300)
Strategische Klarheit aus Beschäftigtensicht	OE1	korrelativ, längsschnittlich: +27 Pp mehrfach wöchentliche Nutzung; kehrt das Burnout-Vorzeichen um; Hochvertrauen +0,61–0,72 SD wahrgenommene Produktivität	Augmentation	Makridis (B, Gallup-Panel > 30.000, 2023–Q1 2026)
Anleitung zur Verwendung gesparter Zeit	OE1/OE7	plausibel; 66 % ohne Anleitung, > 50 % lenken Zeit nicht um	Augmentation	BCG 2026 (C)
Manager-Vorbild (sichtbare Nutzung)	OE4	korrelativ: +17 Punkte KI-Wert, +22 kritisches Denken, +30 Vertrauen in agentische KI; Nutzung 48/67/77 % nach Unterstützungsgrad	Augmentation (ein Agentenitem)	Microsoft WTI 2026 via CXM (C, 20.000 Nutzer); Gallup DE 2026 (B)
Durchsatz und Instabilität getrennt	Output vs. Qualität	gemessen: Durchsatz ↑, Instabilität ↑ (2024: −1,5 %/+7,2 % je 25 % Adoption; 2025 Durchsatz positiv, Instabilität weiter steigend)	Augmentation (Code)	DORA 2024/2025 (B/C, knapp 5.000)
Beschwerdequote, Rückrufquote, Volumen	Qualität der Automatisierung	Fallzahl ohne Methodik: Beschwerden −30 %, Anrufe USA −55 %, Agenten bearbeiten 40 % der Kundenkontakte	Automatisierung	Telekom (D)
Over-/Under-Reliance, RAIR, RSR	Angemessene Verlässlichkeit der Prüfenden	validiert im Labor: 22 Studien, binär, 20 davon mit Crowdworkern, ca. ⅓ simulierte KI; „not adapted to generative AI“	Augmentation (Einzelentscheidung)	Raees & Papangelis, arXiv 2604.23896, 26.4.2026 (A, PRISMA-Review)
Agreement/Switch Fraction, subjektives Vertrauen	Verhalten/Wahrnehmung	schwach: beschreibt Verhalten, nicht Angemessenheit	Augmentation	Raees & Papangelis (A)
Eingriffsquote, Erkennungsquote, Override-Quote, Rückfallkosten, Supervisionslast je Agent	Aufsichtsqualität (OE7)	keine Baseline in irgendeiner Quelle; Mechanismus A (Safety Report, Parasuraman); READY: Review-Anteil 21–100 % als Planungsgröße	Delegation/Automatisierung	Lauf 1/2; READY (A-nah)
Akzeptanzkriterium ≥ ersetzter Prozess, Konfidenzschwelle mit „undecided“, Prüfquote nach Kritikalität, Operatorleistung	Regulatorische Qualitäts- und Aufsichtsmetrik	Pflicht (Entwurf) in GMP; Analogie anderswo	Automatisierung (statisch)	Annex 22 via PharmTech, 13.8.2026 (B/C)
Modellinventar, Validierungsstatus, Monitoring	Governance-Vollständigkeit	Pflicht (Konsultation 1.4.–8.5.2026) in Banken	alle	MaRisk 9 via RSM Ebner Stolz (C)
Post-Market-Monitoring, Logs ≥ 6 Monate	Lebenszyklusdaten	Pflicht nur Hochrisiko; Art. 72 Anbieter, Art. 26 Abs. 6 Betreiber	alle	Art. 72, Art. 26 KI-VO (Primär)
Anteil der Produktivitätsgewinne für Qualifizierungszeit	Verwendung freigesetzter Kapazität	Betriebsratsforderung, keine Vereinbarung	Automatisierung	Siemens-GBR/Böckler, Feb. 2026 (D)
Realisierter vs. erwarteter Personalrückgang	Abbau-Realität	14 % realisiert (2026) vs. 32 % erwartet (2025); 39 % erwarten Rückgang im Folgejahr (2026)	Automatisierung	McKinsey 2026 (C)

Rollenteilung und Konfliktlinien

Rolle	Verantwortung	Konfliktlinie	Evidenz
IT / CIO-CTO	Primärer Eigentümer der KI-Initiativen (64 %); Plattform, Deployment, Data Readiness; AgentOps faktisch (Lauf 2)	Deployment „oft ohne HR-Beteiligung“ wegen „executive urgency“; IT-Ownership statt Prozessinhaber (RPA-Muster); Kontextkuratierung an IT delegiert	Info-Tech, Juni 2026 (C, n = 551); Gartner HR, 16.12.2025 (C, n = 2.986)
HR / CHRO	Compliance-Schulung (Art. 4), KI in HR-Prozessen, Governance-Partner; an Entscheidungen außerhalb HR zu 32 % beteiligt; zwei Drittel sehen sich unterstützend, 44 % reaktiv	Selbstbild zentral vs. geringe Beteiligung und Kompetenz (Ethik/Recht 47 % niedrig, algorithmische Grundlagen 64 %, Datenzugriff 65 %); HR-Engagement in DE unter Gallup-Durchschnitt; 81 % der HR-Fachleute nutzen KI selbst täglich/mehrmals wöchentlich	FHNW, März 2026 (B/C, CH, n = 121); Gallup DE 2026 (B, n = 312)
L&D / PE-Funktion	Lernformate optional/selbstgesteuert 55 %, informell über Kollegen 52 %, Pflichttraining 38 %, Übungszeit 30 %, Coaching am Arbeitsplatz 17 %	Compliance-Schulung vs. Linien-Enablement; 36 % fühlen sich adäquat weitergebildet bei 72 % veränderten Kompetenzerwartungen; Aufsichtsqualifizierung fehlt	Gallup DE (B); BCG 2026 (C)
OE-/Change-Funktion	In keiner Befragung als Akteur; die Aufgaben (Workflow-Redesign, Messprozess, Change beim Übergang Pilot → Skalierung) sind bei High Performern vorhanden, Träger unklar; „Prozesse & Implementierung“ stärkster SEM-Pfad (0,245)	Besitzlose Kernaufgabe: Redesign, Kapazitätsverwendung, Messprozess ohne Eigentümer	McKinsey (C); CPMC (B/C, n = 300, R² = 0,78, keine p-Werte); Gap
Linienführung	Vorbild und Nutzungsnorm (Diffusionshebel), Spezifikation und Prüfung ohne Regelwerk (Lauf 2), Gatekeeper für Team-Adoption und Staffing	Adoptionsabsicht kippt bei Verdrängungsframing (−0,43 SD); nur 21 % der Beschäftigten sehen aktive Unterstützung der Führungskraft (HR-Selbstbild: 28 %); 48 % der Führungskräfte mit höherer mentaler Belastung, 41 % sagen, KI habe die Entscheidungszeit erhöht	IFS 2026 (A, Intentionen); Microsoft WTI via CXM (C); Gallup DE (B); BCG (C)
Top-Management	Strategie, Plattform- und Kapazitätsentscheidung; Commitment 2× bei High Performern; Senior Leader ca. 40 % häufige Nutzung vs. ICs ca. 20 %	„Executive urgency“ → überhastete Rollouts; Widerstandsnarrativ, das „the survey data doesn't support“; 39 % erwarten Headcount-Rückgang, was Manager-Adoption senkt	Gartner HR (C); McKinsey (C); Makridis (B); IFS (A)
Betriebsrat	Verfahrensweg § 87 Abs. 1 Nr. 6 (Steckbrief, Ampel: grün Information, gelb KI-Ausschuss, rot GBR), Sachverständige § 80 Abs. 3, Beschäftigungseffekte, Qualifizierungszeit; Siemens-GBR teilt nach Ausschüssen (EDV: Leistungskontrolle; ZTA: Beschäftigungseffekte; Fachausschüsse: Bildung, Arbeitsschutz)	Datenschutz nach LAG Hessen nicht erzwingbarer Mitbestimmungsinhalt; beschäftigtendatenfreie Agenten mitbestimmungsfrei; Planung 35 % vs. Einführung 53 % (Lauf 2); Abdeckung nur 42 % der Beschäftigten (1996: 67 %)	Bitkom-Leitfaden 2026 (C, Arbeitgeberverband); VDAA/Handwerksblatt, 1.8.2026 (D); Siemens-GBR/Böckler (D); Böckler Impuls/IAB-Panel (B)
Qualitäts-/Risikofunktion (regulierte Bereiche)	GMP-Accountability nicht delegierbar; Quality Unit prüft KI-Output (FDA Warning Letter April 2026); unabhängige Validierung (MaRisk)	Modusgrenze vorgeschrieben vs. Fachbereichswunsch nach generativer KI (EMA-Stakeholder-Feedback)	PharmTech (B/C); RSM (C)

Führungskompetenzen für Delegation und Aufsicht

Kompetenz	Definition	Trainierbarkeit	Evidenz
Spezifikation / Auftragsdesign (Description, Delegation)	Ziel, Grenzen, Kontext, Fehlermodi und Eskalationspunkte eines Agentenauftrags so beschreiben, dass Output prüfbar ist	keine Evaluation; Feldexperiment registriert: großes UK-Unternehmen, ca. 2.000 von 7.000 Beschäftigten, regulatorische Impact Assessments, vier Arme (Copilot Chat, zentraler Agent, selbst gebauter Agent als „Teammate“ bzw. „Worker“), primäres Outcome Outputqualität, Fenster 17.–27.2.2026, ohne Ergebnis	Anthropic 4D (Lauf 1, C); Bojinov, AEARCTR-0017902 (A, ausstehend)
Supervision / Prüfkompetenz (Discernment; Art. 14 Abs. 4)	Fähigkeiten und Grenzen kennen, Anomalien erkennen, Output korrekt interpretieren, Overreliance bewusst halten	Automation Bias durch Training allein nicht verhinderbar (Lauf 1, A); kleines Training hebt Bild-Diskrimination +9 Punkte (A, n = 32); Labor-Metriken RAIR/RSR vorhanden, Trainingsstudien darauf nicht gefunden	Lauf 1 (A); Kamali et al. 2026 (A); arXiv 2604.23896 (A)
Delegationsentscheidung / Kalibrierung	Laufende Bewertung der KI-Leistung, aus der Delegationsbereitschaft und Fähigkeitseinschätzung folgen	erfahrungsbasiert belegt: Längsschnitt mit 875 Filialleitern, Hidden-Markov-Modell; Delegationsbereitschaft polarisiert (Erkennende delegieren zunehmend, andere reduzieren); Appraisal → Bereitschaft → Fähigkeitseinschätzung als Feedbackschleife; Hochdelegierer outperformen; kein Trainingstest; KI-Typ vermutlich prädiktiv, nicht LLM	Liu, Yue, Leung, Zhang, MISQ 49(3), 2025 (A; nicht stillschweigend auf LLM-Agenten übertragbar)
Delegation unter Intransparenz / Domänenwissen	Delegieren trotz begrenzter Einsicht; Experten unterdelegieren	Pilot n = 48 (Bildklassifikation): Führungserfahrung allein kein Prädiktor; bei geringer Transparenz delegieren Erfahrene häufiger; Transparenz erhöht, Domänenwissen senkt Delegation	Reinhard, Moritz, Wagner, Li, Uni Kassel, 2025 (A-nah)
Ausnahmebehandlung / Eskalationsdesign	Früh und menscheninitiiert eskalieren; Supervisor-Anstrengung halten	Mechanismus A (Lauf 1, Befund 4: −0,52 vs. −0,93; Learned Helplessness); Rollen- und Lastdesign statt Schulung (Parasuraman & Manzey)	Lauf 1 (A)
Vorbild und Normsetzung	Sichtbar nutzen, Experimentierraum schaffen, Neuerfindung auch bei Misserfolg belohnen	korrelativ stark, kausal nur für Arbeitgeber-Ermutigung (A): +30 Punkte Vertrauen in agentische KI; Nutzung 48 → 77 %; keine Trainingsstudie	Microsoft WTI via CXM (C); Gallup DE (B); Lauf 1 (A)
Zweckkommunikation / Kapazitätsframing	Produktivitäts- statt Verdrängungszweck glaubhaft vertreten	kausal auf Intentionen: Verdrängungsframing −0,43 SD Adoption, −0,46 SD Advocacy, −0,21 SD Staffing-Absicht nach zweiminütiger Exposition; 40 % des Effekts über wahrgenommenen Nutzen, 30 % über Risiken	IFS 2026 (A)
Faire Beurteilung KI-vermittelter Leistung	Bewerter-Bias gegen KI-Nutzer erkennen (Lauf 1, PNAS)	keine Trainingsevidenz; Beurteilung agentenvermittelten Outputs ohne Quelle (Lauf 1, Befund 10)	Lauf 1 (A); Gap
Agentenführung („Manager of Agents“)	Orchestrierung mehrerer Agenten, Supervisionslast steuern	nur Selbstbild: 52 % erwarten, eher Agenten als Menschen zu managen, 61 % halten Agentenführung für leichter; n, Länder, Datum nicht genannt; Lauf 2: Konstrukt schwach	SnapLogic via TechRadar, 10.10.2025 (D)
KI-Coaching der Führungskraft (als Lernformat)	KI-Coach ersetzt Humancoach	kein Effekt gegen aktive Kontrolle in einem von zwei RCTs, Abbruch 12/37 vs. 1/38 (Lauf 1, n = 114); zweites RCT d = 0,33 nur gegen Nichtstun (Lauf 2)	Lauf 1, Lauf 2 (A)

RPA-Fehler, die sich bei agentischer KI wiederholen

Fehler der RPA-Welle	Wiederholung bei Agenten	Präventive OE-Intervention
Pilot-Euphorie, Skalierungsstopp (SSON 2020 ≤ 10 Bots; 3 % skaliert)	75 % pilotieren, 15–30 % skalieren (Lauf 2); > 40 % Abbrüche bis 2027 (Gartner 2025, Prognose, C, ohne Stichprobe); < 15 % aktivieren agentische Features 2026 (Forrester Predictions 2026, Prognose, C, ohne Stichprobe)	Skalierungskriterien, Messprozess und Change-Budget vor dem Pilot; Stufung Demo → PoC → Pilot → Rollout mit gemeinsamer Pilotbewertung (OE7, OE1)
IT-Ownership statt Business-Ownership	CIO/CTO Eigentümer bei 64 % (Info-Tech, C); AgentOps in IT, Kuratierung an IT (Lauf 2)	Prozessinhaber in der Linie als Agent-Owner; Model-Owner- und Data-Owner-Rollen (MaRisk-Analogie, Frankfurt School) (OE2)
Falsche Prozesswahl, Klickpfade nachbauen statt Redesign	„Band-Aid“-Agenten auf unverstandenen Problemen; „challenge the underlying process before improving a bad process“; Prozessintelligenz rettet 30 % (Forrester-Blog, Prognose, C, ohne Stichprobe); Redesign nur bei 25–42 %	Prozessredesign und Frontier-Kartierung vor dem Agenten; Zielbild der Arbeitsteilung je Prozesstyp (OE3, OE1)
Brüchige Bots, Wartungslast, Updates ändern Aufgaben	Nichtdeterminismus, Kontextverlust, Modellwechsel ohne Prozessänderung (Lauf 1); Instabilität steigt mit Adoption (DORA, B/C); Lösungen brauchen Wartung bei Modell-/Policy-Wechsel (Kellogg, A-nah)	Agenten-Inventar mit Version, Einzeleinführung je Modellwechsel (IG Metall 2019, Bitkom-Steckbrief), Befristung mit Evaluationsklausel; Rückkanal Ausnahmen → Prompt/Prozess (OE8, OE2)
Fehlende Ausnahmerolle, Resttätigkeit ohne Zeitbudget	Ausnahmebehandler entsteht faktisch ohne Budget und Autorität (Lauf 2); Learned Helplessness der Supervisoren (Lauf 1, A); Review-Anteil 21–100 % (READY, A-nah)	Ausnahmerolle mit Zeitbudget, Rotation Ausführen/Prüfen, Erkennungsquote als Ziel statt Durchsatz (OE2, PE4, OE7)
„RPA islands“, Sprawl	„an unmanageable number of AI agents with overlapping functionalities“ (Forrester, C); Kaufpräferenz ca. 80 % (Info-Tech, C); Copilot-Agenten ohne Rollenbeschreibung (Lauf 2)	Orchestrierung entlang des Prozesses statt je Abteilung; CoE als Portfolio- und Governance-Instanz, nicht Bauinstanz; Agenten-Inventar (OE2, OE6)
Vendor-Washing (RPA als „KI“)	Agent Washing: ca. 130 echte Anbieter (Lauf 1, C)	Steckbrief mit Autonomiestufe nach Eingriffstiefe (Teil 0a), nicht nach Produktname (OE2)
Mitbestimmung je Bot vs. pauschal; Leistungskontrolle über Bot-Daten	Agenten auf Beschäftigtendaten mitbestimmungspflichtig, aber keine publizierte BV (Lauf 2); Governance folgt Deployment binnen Quartalen (Lauf 2)	Ampel/KI-Ausschuss und Rahmen-BV in der Planungsphase; Verbot der Leistungskontrolle, Bewertung anonymisiert oder anlassbezogen (Bitkom) (OE2, OE5)
Headcount als Business-Case-Metrik, Menschen „vergessen“ (BPR)	Entscheidung vor Messung (Klarna, CBA, Salesforce; Lauf 2); 14 % realisiert vs. 39 % erwartet (2025: 32 %) (McKinsey, C); Verdrängungsframing senkt Manager-Adoption (IFS, A)	Kapazitätsentscheidung vor Rollout, reversibel kommuniziert; Produktivitätsanteil für Qualifizierungszeit als Verhandlungsgröße; Qualitäts- und Volumenmetrik vor Headcount (OE1, OE7, OE5)
„Lessons Learned“ erst nach der Welle	Gartner „Agentic Automation Lessons Learned“ (8.10.2026, C, Paywall, nur Abstract: „overlooking critical operational and architectural factors can lead to costly failures“)	Prüfmuster aus Lauf 1 im Zielbild verankern statt nachträglich (OE8)

Marktumfeld DACH

Wer was anbietet, zu welcher Preislogik, und wo die methodische Lücke liegt. Die Kästchen zeigen, ob ein Anbietertyp Führungskräfte und Teams, OE und PE gemeinsam, Delegationsdesign, Automatisierungsbegleitung und Szenarien adressiert.

(a) Strategie/Big Four

BCG (AI at Work 2026), PwC DE „Change & Adoption für AI“ (2026), Capgemini „Agentic AI for Enterprise“ (2025/26), MHP „AI4Human“ (2024), EY AT People Consulting (Okt. 2026), Accenture LearnVantage (2024)

✓FK/Teams

✓OE+PE

–Delegation

✓Automat.

–Szenarien

Fokus: End-to-end: Strategie, Plattform, Change, Upskilling; „Reshape/Invent“ statt Deploy
Format: Projekt, Rollout-Programm, eigene Change-Agenten (PwC „Coaching Companion“, „Leadership Agent“), Lernplattform
Preislogik: nicht öffentlich; BDU-Durchschnitt 1.300–1.600 €/Tag, Big-Four-Sätze unbelegt
Lücke: Governance-Modell und Verantwortungsarchitektur fehlen trotz eigener Diagnose (BCG: 50 % ohne Anleitung zu Mensch-KI-Teams, Accountability Top-3-Sorge für 47 %). FK als Sponsoren/Vorbilder, Teams als Rollout-Ziel; PE ja, OE nur Kultur/Kommunikation; Agenten als Tools/Plattform, keine Delegationsregeln; Automatisierungsbegleitung technisch, Kapazitätsverwendung nur als BCG-Diagnose.

(b) HR/Change/OE-Boutiquen, Prosci

Prosci DE „KI-Lösungen“, next level consulting (KI-Broschüre April 2026), Kienbaum/BPM (Studie 2026), MANAGER INSTITUT (Seminar)

✓FK/Teams

✓OE+PE

✓Delegation

–Automat.

–Szenarien

Fokus: ADKAR-Adoption, Sponsoring, Leader Enablement; Trainings, Richtlinien, Sandbox
Format: Beratung, Zertifizierung, 1–2-Tage-Trainings, Coaching, Community
Preislogik: nicht öffentlich („auf Angebot“)
Lücke: Delegationsregeln, Ausnahmedesign, Kapazitätsverwendung fehlen; systemische OE-Häuser (Metaplan, osb, Trigon, HRpepper) ohne auffindbares Angebot. FK als Sponsoren, Teams in Sandbox/Trainings; PE-lastig, OE nur Richtlinien/Verankerung; next level: „KI Readiness & Agents“ als Sandbox, Prosci: keine Agenten.

(c) Automatisierung/Prozess

UiPath (Plattform „Agents think. Robots do. People lead.“, April 2025), Celonis:Next (Mai 2025), Roboyo (2025/26), Roboyo × Accelerated Growth (Nordics, Feb. 2025)

–FK/Teams

–OE+PE

✓Delegation

–Automat.

–Szenarien

Fokus: Orchestrierung Agenten/Roboter/Menschen, Guardrails, Process/Task Mining, Managed Services
Format: Lizenz plus Implementierung, Academy, Managed Service
Preislogik: nicht öffentlich
Lücke: Organisationale Seite vollständig ausgelassen: Zielbild Arbeitsteilung, freigesetzte Kapazität, Ausnahmerolle, Mitbestimmung; „human in the loop“ ist Produktfeature. Adressaten Nutzer und Entwickler; Training = Toolbedienung; „controlled agency“ technisch, keine Rollen-/Verantwortungsregeln; Change extern zugekauft (nur Nordics).

(d) Toolhersteller-Adoption

Microsoft Adoption/Champion-Charta (18.10.2026), Campana & Schott Copilot Enablement (2026), PwC Coaching Companion, Google Gemini Enterprise (Okt. 2025), Anthropic Academy/AI Fluency (2026)

✓FK/Teams

✓OE+PE

✓Delegation

–Automat.

–Szenarien

Fokus: Nutzungsquote, Champions, rollenspezifische Use Cases, Agent-Enablement
Format: Playbooks (kostenlos), modulare Trainings, Persona-Workshops, Maturity Assessment (kostenlos)
Preislogik: Hersteller kostenlos; Partnerpakete nicht öffentlich
Lücke: Toolgebunden; Metriken = Nutzung/Zeitersparnis (C&S: 95 % Nutzung, 99 Min./Woche, Selbstauskunft); Delegations- und Verantwortungsregeln außerhalb des Mandats. FK als Vorbild/„Leadership Coalition“, Teams über Champions; PE ja, OE nur Change-Impact-Analyse und Community of Practice; Agenten-Enablement (Nutzung/Bau), Champions besitzen nicht Adoptionsstrategie, Governance, Geschäftsergebnisse.

(e) Akademien/Hochschulen/Zertifikate

IHK „KI-Manager“ (1.590–3.150 €), Bitkom Akademie Art.-4-E-Learning (45 Min.), St. Gallen „Strategy, Powered Through AI“ (CHF 2.900, 2 Tage), ESMT („AI for Managers“, „Leading in the Age of AI“, „Agentic AI Beyond the Hype“), Haufe „Ready for KI“

✓FK/Teams

–OE+PE

✓Delegation

–Automat.

✓Szenarien

Fokus: Grundlagen, Strategie, Use Cases, Compliance; vereinzelt Agenten und Szenarien
Format: Offene Seminare, Zertifikatslehrgänge, E-Learning (SCORM), Executive Programme
Preislogik: öffentlich: ca. 1.000–1.500 €/Seminartag p. P.; E-Learning-Lizenz nicht öffentlich
Lücke: Keine Teamnormen, keine Aufsichtskompetenz als Lernziel, kein Transfer in Rollen/Regeln. FK ja, Teams kaum; kein OE+PE (Individuum); St. Gallen: Einführung Multiagenten, ESMT: Agentic-Kurs, kein Delegationsdesign; St. Gallen: Szenarioplanung im Strategiemodul.

(f) Verbände/Kammern/geförderte Zentren

Mittelstand-Digital Zentren (kostenfrei, KMU ≤ 250), TBS NRW „KI gut machen“ (Juni 2026), digitalswitzerland AI Playbook (2026), WKO Fahrplan (2024), Bitkom (Studie plus Akademie)

✓FK/Teams

✓OE+PE

–Delegation

✓Automat.

–Szenarien

Fokus: Orientierung, Erstberatung, Pilotcoaching („coacht, setzt nicht um“), Mitbestimmung, Rollenmodelle für Use-Case-Prozesse
Format: Playbooks, Erstberatung, Workshops, KI-Trainer-Programm (4–8 Tage über 3–6 Monate)
Preislogik: kostenfrei/subventioniert (Marktpreis laut D-Quelle 1.500–2.500 €/Tag)
Lücke: Zielgruppe > 250 Beschäftigte unbedient; keine Delegations-/Autonomiestufenlogik. FK (Playbooks), Betriebsräte (TBS); TBS: Rollenwandel plus „KI-Runden“ (OE-nah), Playbook: Rollen im Use-Case-Prozess; Agenten nicht behandelt; TBS: Mitbestimmungspfad ja, Kapazitätsverwendung nein.

Betriebsratsseitige Beratung (eigenes Segment)

TBS NRW, IG Metall NRW Mustertexte, DGB Muster-BV (2024); Gegenseite Kliemt, Taylor Wessing (Juni 2026)

–FK/Teams

✓OE+PE

–Delegation

✓Automat.

–Szenarien

Fokus: Rechte nach §§ 80, 87 BetrVG, Gefährdungsbeurteilung, Muster-BV
Format: Broschüren, Beratung nach § 80 Abs. 3, Schulungen
Preislogik: öffentlich finanziert bzw. Arbeitgeber trägt Sachverständigenkosten
Lücke: Delegation und Verantwortung ohne Ausführung bei beiden Lagern kein Beratungsgegenstand. Adressaten Betriebsräte; OE-nah (Regeln), kein PE; Agenten = IT-Systeme; Mitbestimmungspfad ja.

Besetzte Positionierungen

„AI Change Management“ nach ADKAR: Prosci (Eigenclaims: bis zu 3× schnellere Adoption, 72 % höhere Erfolgswahrscheinlichkeit mit aktivem Sponsoring, 43 % der Initiativen stocken wegen fehlendem Sponsoring; Prosci-eigene Benchmarks, C), PwC Workforce Transformation, EY People Consulting (Ausbau in Österreich auf ca. 40 Personen, Oktober 2026)
„Copilot/Tool-Adoption mit Champions“: Microsoft-Playbook kostenlos, Partner wie Campana & Schott und PwC; preislich durch kostenlose Hersteller-Ressourcen gedeckelt
„AI Literacy for all / Art. 4“: Bitkom Akademie, Haufe, Herstellerkurse (Anthropic Academy mit dem 4D-Rahmen als einzigem Rahmen, der Delegation als Kompetenz fasst)
„KI-Manager“-Zertifikat: IHK bundesweit, 1.590–3.150 €, Projektarbeit meist „KI-Strategie“
„AI-Strategie für Executives“: St. Gallen, ESMT
„Agentic Automation“: UiPath, Celonis, Capgemini RAISE, Roboyo
Mitbestimmungsrechtliche Beratung: TBS/Gewerkschaften und Arbeitgeberkanzleien

Offene Lücken

Delegationsdesign: Autonomiestufen je Aufgabentyp, Delegationsregelwerk, Verantwortungsarchitektur und Ausnahmedesign für Führungskräfte und Teams (OE2, OE3, OE4 plus PE5)
Organisationale Begleitung von Automatisierungsinitiativen ohne technische Umsetzung (OE1, OE2, OE3, OE5)
Teamnormen, Kennzeichnung, Aufsichts- und Beurteilungskompetenz als Lernziel (OE5, OE6 plus PE1, PE4, PE6)
Szenario-/Foresight-Arbeit, die an OE-Entscheidungen gekoppelt ist (Augmentation vs. Automatisierung, Kapazitätsverwendung); nur St. Gallen integriert Szenarioplanung, dort als Strategiewerkzeug
Metrik-Set jenseits der Nutzungsquote (BCG fordert „measure business value, not adoption“, kein Anbieter liefert es belegbar)
Zielgruppe 300–12.000 Beschäftigte zwischen geförderten KMU-Angeboten (≤ 250) und Konzernmandaten der Big Four

Marktdaten

Managementberatung Deutschland 2025: 49,0 Mrd. € (2024: 48,7 Mrd. €), Prognose 2026 51,1 Mrd. € (+4,5 %) BDU via Lünendonk, 1.7.2026 (C)
KI-Beratung +18,8 %, am schnellsten wachsendes Segment; Top 20 wuchsen 4,1 % (Vorjahr 7,5 %), sechs mit Umsatzrückgang; 80 % nennen Digitalisierung/KI als wichtigste Managementaufgabe 2026 Lünendonk, 1.7.2026 (C, n = 68 Beratungen)
43 % der Beratungen sehen keine KI-Wirkung auf Preise, 19 % Preissteigerungen, 16 % rechnen KI-Leistungen separat ab Lünendonk, 1.7.2026 (C)
BDU-Konjunkturklima Q4 2024: 87; 44 % der HR-Beratungen bewerteten ihre Lage als schlecht Börsen-Zeitung, 21.1.2025 (B/C)
Tagessätze: BDU-Durchschnitt ca. 1.300 € (Partner ca. 1.600 €, Analysten ca. 700 €), Freelancer ca. 800 €; Big-Four-/Strategiesätze nicht öffentlich, „2–4 k€“ nicht belegbar nordflux, Okt. 2026 (D, BDU sekundär)
Paketpreise KI-Boutiquen: Potenzialanalyse 500 € (60 Min.) bis 7.900 € (3-Tage-Audit), Workshops 1.950–5.000 €, Sparring ab 1.000–1.500 €/Monat, „KI-Champions“-Paket ab 3.000 € nordflux, Okt. 2026 (D, Anbieterseite)
57 % der deutschen Unternehmen ab 20 Beschäftigten nutzen KI (Vorjahr 36 %); 11 % der Nutzer/Planer setzen Agenten ein, 29 % planen, 31 % diskutieren; 70 % schulen Bitkom, 14.9.2026 (C, n = 603, Verbandsbefragung)
Hürden bei Nutzern: Datenschutz 66 %, Rechtsunsicherheit 56 %, Mitarbeiterakzeptanz 42 %, Ergebnisqualität 26 %; externe Beratung für 21 % ein wesentlicher Kostenblock Bitkom, 14.9.2026 (C)
Weiterbildungsmarkt: ca. 30.000 Anbieter, Wachstum 2024/2025 je gut +5 %, Leadership 5,7 % des Volumens, KI-gestützte Lernprogramme „noch eher Zukunftsmusik“ Personalwirtschaft, 12.2.2025 (C)
Art. 4 KI-VO (gültig seit 2.2.2025) mit Verordnung (EU) 2026/1744 vom 8.7.2026 ab 27.7.2026 im Wortlaut gelockert („Maßnahmen ergreifen“), „die Pflicht bleibt grundsätzlich bestehen“ boerse-express, 6.8.2026 (D, Verordnungstext nicht geprüft)
„10-20-70“-Regel (10 % Algorithmen, 20 % Technologie, 70 % Menschen und Prozesse) stammt von BCG (News 26.1.2026), ohne Methode; Zuschreibung an McKinsey ist falsch bcg.com, 26.1.2026 (C); iternal.ai (D)

Gestaltungsanforderungen an das Angebot

Abgeleitet aus dem gesamten Stand: was ein Programm zur kontrollierten Adaption enthalten, was es messen und was es nicht versprechen darf. Anforderungen, die nur auf Plausibilität beruhen, sind markiert.

Enthalten: Ermutigungsnorm, Vorbildroutine und Peer-Sichtbarkeit als Eintrittsintervention (Phase 1–2), ausdrücklich kein Nutzungsmandat. Lieferobjekte: Nutzungsrichtlinie „erwartet/offenzulegen/untersagt“ je Aufgabentyp, Vorbildauftrag für Führungskräfte, Champion-Charta mit Zeitbudget und Anerkennung in der Beurteilung.

F(1): 47 → 83 %, Verbot → ⅓ (A); Manager +82 %, Peers > Mandat (A-nah VK); Lauf 1, Befund 6

A / A-nah

Enthalten: ein budgetiertes Experimentierformat mit Zeitkonto, Koordinationsrolle und Anerkennung, statt eines Sandbox-Zugangs. Der Projektplan weist die „hidden work“ (Beispielauswahl, Fehlersuche, Review, Wartung) als Arbeitszeit aus und sichert beaufsichtigte Praxis für Nachwuchskräfte.

F(2) Intervention 3: 141 vs. 3 Lösungen, > 80 % Ausstieg (A-nah); Lauf 1, Befund 9 (Verdichtung)

A-nah (qualitativ) nur Plausibilität

Enthalten: ein Delegationsregelwerk je Aufgabentyp mit getrennter Fähigkeits- und Erlaubnisstufe, Owner je Agent, Freigabe je Aktion nur für irreversible Schritte, verankert in OE2/OE4 und nicht der individuellen Bereitschaft überlassen.

F(2) Intervention 5: Konvergenz von fünf Rahmenwerken ohne Outcome (C/D/Primär); F(4): Experten unterdelegieren, Bereitschaft polarisiert (A, A-nah; Liu et al. als Analogie); Lauf 1, Befund 5 (Rechtekonzept als Schadensursache)

C/D für Form; A für Begründung der OE-Verankerung nur Plausibilität

Enthalten: Shadow Run mit Eingriffsquote vor jedem Rollout auf Delegations- oder Automatisierungstiefe, aus dem die Aufsichtspolitik (Konfidenzschwelle, Default-Eskalation, Review-Anteil) je Workflow kalibriert und als Kapazität geplant wird (Planungsannahme 20–40 % Review, abgeleitet aus zwei READY-Beispielen; Spanne im Benchmark bis 100 %).

F(1)/F(3): READY 21–100 % Review, Genauigkeit ≠ Eskalationsgüte (A-nah VK, Benchmark); Lauf 2, Phase 3

A-nah (kein Feldeinsatz) nur Plausibilität

Enthalten: Ausnahmedesign als Rollen- und Lastdesign (früh, menscheninitiiert, Friktion nach Reversibilität, Rotation Ausführen/Prüfen, Ausnahmebehandler an Erkennungsquote statt Durchsatz gemessen), nicht als Schulung.

F(2) Intervention 6: −0,52 vs. −0,93 (A-nah, randomisiertes Feldexperiment, Preprint Mai 2026); CFF wirksam, aber unbeliebt (A, A-nah); Automation Bias durch Training allein nicht verhinderbar (A, Prüfmuster)

A-nah (Eskalation); A (Prüfmuster) nur Plausibilität

Enthalten: Teamnormen, die aufgabenbezogen festlegen, wo Nutzung erwartet ist, Bewerter zu Nutzern machen und Kennzeichnung als Prüfinformation gestalten; keine reine Offenlegungspflicht.

F(2) Intervention 9: Offenlegung senkt Vertrauen, freiwillig wie verpflichtend (A); Strafe von Nicht-Nutzern, Nutzer strafen weniger (A, A-nah); Lauf 1, Befund 6

A nur Plausibilität

Enthalten: Kapazitätsentscheidung vor dem Rollout, als Führungsentscheidung moderiert und reversibel kommuniziert, mit einer Verwendungsmetrik (z. B. Anteil der Produktivitätsgewinne für Qualifizierungszeit) als Verhandlungs- und Steuerungsgröße.

F(1)/F(4): Verdrängungsframing −0,43 SD (A auf Intentionen); 66 % ohne Anleitung (C); Lauf 2, Befund 6; Siemens-Forderung (D)

A (Intentionen) / C nur Plausibilität

Enthalten: Mitbestimmungspfad als Gestaltungsinstrument in der Planungsphase (Rahmen-BV mit Steckbrief, Ampel, Pilotevaluation, Befristung mit Evaluationsklausel, Verbot der Leistungskontrolle über Agentendaten), mit dem Berater als Prozessarchitekt zwischen Arbeitgeber- und Betriebsratslogik.

F(2) Intervention 11: BR-Beteiligung 53 %, höhere Akzeptanz (B, ohne Zahl); Expertise nur unter Schutz (B qualitativ); Lauf 2, Befund 1 (Regeln folgen mit 1–2 Jahren Verzug)

B nur Plausibilität

Messen: ein Metrik-Set, das Vanity-Metriken ausschließt und drei Klassen führt: Komplementärindikatoren (Redesign-Anteil, Messprozess, strategische Klarheit, Anleitung zur Zeitverwendung), Qualitätsmetriken getrennt nach Durchsatz und Instabilität, Aufsichtsmetriken (Eingriffs-, Erkennungs-, Override-Quote, Review-Latenz, Rückfallkosten) mit im Projekt erzeugter Baseline.

F(3): Vanity belegt (A, B, C); Korrelate (B/C); HCI-Metriken (A, nicht übertragen); keine Baseline (Gap)

A für Vanity; B/C für Korrelate; Plausibilität für Aufsichtsmetriken nur Plausibilität

Messen: Kompetenzerhalt unassistiert (KI-freie Prüfgates, unassistierte Assessments) als Pflichtmetrik der PE-Seite, nicht Schulungsquote.

Lauf 1, Befund 3 (assistierte Leistung ≠ unassistierte Kompetenz, A); F(2) Intervention 8 (+9 Punkte, A klein); Lauf 2, Befund 9 (Art.-4-Schulung ohne Prüfkompetenz)

A nur Plausibilität

Nicht versprechen: Produktivitäts- oder EBIT-Effekte, kausale Wirkung der Begleitung, Trainierbarkeit von Spezifikation und Supervision, Verhinderung von Automation Bias durch Schulung, Übertragbarkeit von Assistenzbefunden auf Agenten. Das Angebot verspricht stattdessen Messbarkeit: Es legt den eigenen Fall als Vorher-Nachher mit Kontrollprozess an.

Lauf 1, Befund 2 (Entkopplung, A); F(6): Begleitung korreliert, verursacht nicht (C); F(4): keine Trainingsevaluation; Lauf 1, Befund 5 (A); Teil 0a

A für die Verbote; Gap für die Versprechen

Widersprüche, offene Fragen, Grenzen

Was die Quellen gegeneinander sagen, was bisher offen bleibt und wie man es im eigenen Projekt empirisch klären kann.

Widersprüche in der Evidenz

Art. 4 KI-VO, Datierung und Wortlaut (Lauf 1 Widerspruch 11, Lauf 2 Widerspruch 1)

aufgelöst

VO (EU) 2026/1744 vom 8.7.2026, ABl. L 24.7.2026, in Kraft 27.7.2026; Erwägungsgrund 8: Wechsel von „sicherstellen“ zu „Maßnahmen ergreifen“; Kommissions-Q&A (20.10.2026): Art. 4 gilt seit 2.2.2025, nationale Marktüberwachung ab 2.8.2026, kein Zertifikat, nationale Sanktionen möglich. Konsolidierte Formulierung: „Art. 4 gilt seit 2.2.2025, seit 27.7.2026 in abgeschwächtem Wortlaut; Aufsicht seit 2.8.2026.“ Normtext selbst nicht gelesen.

Klarna −22 % vs. 7.000 → 3.000 (Lauf 2 Widerspruch 2)

auflösbar

Als Zeitreihe: Mai 2022 ca. 700 Entlassungen (ca. 10 %); Dez. 2024 −22 % auf ca. 3.500 „mostly due to attrition“; Mai 2025 Wiedereinstellung; Feb. 2026 CEO „from 7,000 to 3,000“, Ziel < 2.000 bis 2030. Peak ca. 7.000 (2022) über 4.500, 3.500 auf ca. 3.000 ist arithmetisch konsistent; alles Unternehmenskommunikation (D), KI-Anteil unbelegt. Als datierte Zahlenreihe führen.

IAB 21 % / 27 % (Lauf 2 Widerspruch 3)

aufgelöst

Kurzbericht 8/2026, Volltext: 21 % der GenKI-nutzenden Betriebe haben interne Regeln (22 % planen), 27 % bieten Weiterbildung (21 % planen). Lauf-2-Notiz hat die Legende der Grafik A6 falsch gelesen. „Rund drei Viertel weder Regel noch Schulung“ ist nicht ableitbar; belegt ist nur „mindestens die Hälfte“ (52–73 %).

Agentenquote 11 % bis 46 % (Lauf 1 Widerspruch 9, Lauf 2 Widerspruch 4, 16)

offen

Bleibt definitionsbedingt offen, ist aber sauber erklärt: Bitkom (11 %, KI-affine Unternehmen ≥ 20 Beschäftigte), Gartner (15 %, n = 360 IT-Leiter ≥ 250 FTE) und McKinsey (40 %, Unternehmen ≥ 1 Mrd. USD) messen verschiedene Grundgesamtheiten; BCG, IBM, KPMG, Microsoft nicht geprüft. Best-supported: Bitkom 11 % als Untergrenze DACH, Gartner 15 % als Obergrenze für Vollautonomie-Absicht, McKinsey 40 % nur für Konzerne.

10-20-70-Regel (Lauf 3)

aufgelöst

Zugunsten von BCG: BCG führt die Formel auf der eigenen Website (News 26.1.2026) mit Verweis auf einen nicht benannten Report; keine Methode. Zuschreibung an McKinsey ist falsch. Stufe C, Verkaufsargument ohne empirische Herleitung.

METR „widerrufen“ (Lauf 1 Widerspruch 10)

aufgelöst

Lesart des Berichts bestätigt durch zwei unabhängige Sekundärquellen; METR-Primärpost nicht abrufbar. Bleibt „aufgelöst, primär ungeprüft“.

Anthropic directive 39 % oder „roughly 50 %“ (Lauf 2 Widerspruch 5)

offen

Sekundärquelle (aiwiki) bleibt intern inkonsistent; Anthropic-Primärberichte nicht abgerufen.

Copilot 66/7.137 vs. 56/> 6.000 (Lauf 2 Widerspruch 8)

aufgelöst

Erklärt als Versionsunterschied: NBER WP 33795 rev. Nov. 2025 (66 Firmen, 7.137 Beschäftigte) vs. arXiv 2504.11443 v1 (56 Firmen, > 6.000). Kernbefund in beiden gleich.

Workslop 1.004 vs. 1.150 (Lauf 1 Widerspruch 16, Lauf 2 Widerspruch 15)

offen

Nicht geprüft, offen.

Einstiegsstellen −46 % vs. „kein KI-Effekt“ (Lauf 1 Widerspruch 6, Lauf 2 Widerspruch 14)

offen

Nicht geprüft; die Berichte führen ihn zu Recht offen.

McKinsey Headcount 32 % vs. 39 % (Lauf 3 Abschnitt 6)

aufgelöst

Kein Widerspruch, sondern Jahreswerte 2025 (32 %) und 2026 (39 %), primär bestätigt.

Was nur für Augmentation gilt

Frontier-Logik (Gewinne innerhalb, Verluste außerhalb der Grenze) und Kompression (Dell'Acqua et al. 2026, Cruces, Schwenke): Mensch prüft jeden Schritt; bei Delegation entfällt die Prüfung pro Schritt, bei Automatisierung der Mensch. Die Grenze eines Agenten liegt nicht bei „Schwierigkeit“, sondern bei Länge, Rückfragebedarf und Ambiguität. (Lauf 1)
Einzelperson mit KI = Team ohne KI; Silo-Abbau; positive Emotionen (P&G, Eintags-Workshop, Chat): explizit keine Agentenstudie; keine Mehrschritt-Ausführung, keine Koordination über Zeit; Emotionen als Sofortreaktion. (Lauf 1)
Präzise Nulleffekte auf Löhne, Stunden, Headcount (Humlum & Vestergaard, dänische Register bis Dez. 2024): betrifft Chatbot-Nutzung; für API-/Back-Office-Automatisierung existieren nur Herstellerschätzungen. (Lauf 1)
Weniger E-Mail-Zeit, weniger Arbeit außerhalb der Regelarbeitszeit, kein Aufgabenmix-Effekt (Dillon et al., M365 Copilot): individueller Assistenzzugang; Agenten mit Workflow-Zugriff nicht enthalten. (Lauf 1)
Novizen gewinnen am meisten (Brynjolfsson/Li/Raymond; Copilot-Experimente; deutsche IT-Azubis): Assistent schlägt vor, Mensch handelt; bei Delegation erledigt der Agent die Juniorarbeit, keine Lernevidenz. (Lauf 1)
Seniors werden durch KI-Prüfung besser, Juniors bifurkieren (Autor et al. 2026, Patenttool): drei Monate Assistenz; Shen/Tamkins „AI Delegation“ ist ein Nutzungsmuster innerhalb der Assistenz, keine agentische Delegation. (Lauf 1)
Soziale Bewertungsstrafe für KI-Nutzung (Reif et al., Vignetten): bezieht sich auf Offenlegung eigener KI-Hilfe; für agentenvermittelten Output und dessen Attribution keine Studie. (Lauf 1)
Kognitives Offloading, weniger kritisches Denken bei Vertrauen (Lee et al.; Gerlich): Selbstbericht, korrelativ, Chat-Nutzung. (Lauf 1)
Deskilling −6 Prozentpunkte (Budzyń et al., CADe-Assistenz in der Endoskopie): Assistenz-Exposition; Effekt bei Automatisierung mit Ausnahmebehandlung mutmaßlich stärker (Übungsgelegenheit entfällt), aber nicht gemessen. (Lauf 1)
Workslop und Prüfaufwand beim Empfänger (BetterUp/Stanford, Selbstbericht): zwischen Personen; bei Agentenoutput gibt es keinen Absender, der „weniger vertrauenswürdig“ wird. (Lauf 1)
Ermutigung als stärkster Adoptionshebel (Humlum & Vestergaard): Adoption von Chatbots; ob Ermutigung die Delegationstiefe oder die Prüfqualität verändert, ist offen. (Lauf 1)
Wahrnehmungslücke +20 % gefühlt vs. −19 % gemessen (METR 2025, Cursor): Setting liegt an der Grenze; METR stellt 2026 das Design um, weil parallele Agentenorchestrierung die Messung bricht. (Lauf 1)
Mitbestimmung ohne Zusammenhang mit Nutzung; Betriebsräte sehen Erleichterung (IAB-Panel, WSI, überwiegend Assistenz): bei Automatisierung mit Rollenwegfall greift § 111; die Roboter-Evidenz (Findeisen et al.) ist physisch. (Lauf 1)
Die Längsschnittkurve „Effekt sofort, Plateau nach 1–2 Monaten, keine organisationalen Effekte bis Monat 24“ (Brynjolfsson/Li/Raymond; Copilot-Experiment; Humlum/Vestergaard) beschreibt individuelle Assistenz. Bei Delegation entfällt der Lerneffekt des Ausführens; bei Automatisierung mit Ausnahmebehandlung wird die Kurve des Ausnahmebehandlers (Vigilanz, Skill Degradation) relevant, die niemand longitudinal gemessen hat. (Lauf 2)
Die Diffusionsmechanismen (Peer-Sichtbarkeit +216 %, Manager +82 %, Ermutigung 47 → 83 %) sind für Assistenztools und Coding-Agenten unter Entwicklerprüfung belegt; ob sichtbare Nutzung auch die Akzeptanz von Prozessagenten erhöht, die Aufgaben wegnehmen, ist offen, und die Jobangst-Daten (23 vs. 18 %) sprechen dagegen. (Lauf 2)
Die Werterealisierungszahlen (EBIT 37 %, High Performer 6 %, Registerdaten ≤ 1–2 %) beziehen sich auf Assistenznutzung; für Delegation und Automatisierung liegt keine unabhängige Wirkungsmessung vor, nur Herstellerclaims (Salesforce „50 % der Gespräche“) und ein A-naher Durchsatzeffekt bei Coding-Agenten (+24 % Merged PRs), der nichts über Qualität oder Vollkosten sagt. (Lauf 2)
Die Workslop-Daten (40 % Empfang, 1 h 51 min Nacharbeit) betreffen menschlich weitergereichten Assistenz-Output; für agentenvermittelten Output gibt es keine Workslop-Messung, obwohl der Prüfaufwand strukturell höher sein müsste. (Lauf 2)
Die Trends F1, F2, F8, F9, F10 und F11 sind ausschließlich mit Augmentationsevidenz belegt, obwohl ihre Curricula und Narrative (hybride Mensch-Agenten-Teams führen, Agent Boss) Delegation adressieren. (Lauf 2)
Die Hughes-Faktoren (Staff Skills β = 0,39, Relative Advantage β = 0,34, Regulierung nicht signifikant) messen GenAI-Nutzung, nicht Agentenadoption; dass regulatorischer Druck in der Frühphase nicht zieht, darf nicht auf Anhang-III-Pflichten für Agenten übertragen werden. (Lauf 2)
Die Champion-Logik und das answer-key model setzen voraus, dass die Aufgabe weiter von Menschen ausgeführt wird; unter Automatisierung existiert die Vergleichsarbeit, aus der gelernt wird, nicht mehr. (Lauf 2)
Die Diffusionsbefunde (Ermutigung 47 → 83 %, Verbot → ein Drittel, Schulung als wirksamste Initiative) stammen aus Chatbot-Nutzung; der einzige Delegationsbeleg zur Diffusion betrifft Coding-Agenten bei einem Hersteller, und dort folgt die Retention dem Aufgabenfit, nicht dem Manager. (Lauf 3)
Die Kellogg-Feldstudie zu Experimentierräumen betrifft GenAI-Lösungen im Assistenzmodus; ob Shadow Runs für Agenten denselben hidden-work-Mechanismus zeigen, ist unbekannt. (Lauf 3)
Die Cognitive-Forcing-Evidenz (Buçinca, Ghosh et al.) stammt aus Assistenzinterfaces; ob Friktion in Agenten-Freigabedialogen Overreliance senkt oder nur Approval Fatigue erzeugt, ist ungemessen. (Lauf 3)
Das Beurteilungstraining (+9 Punkte) betrifft Bilddetektion durch Analysten, nicht die Prüfung mehrstufiger Agentenoutputs, bei denen Fehler verteilt und plausibel sind. (Lauf 3)
Die Offenlegungs- und Strafexperimente (Reif, Schilke & Reimann, Niszczota, Kickstarter) betreffen die Offenlegung eigener KI-Nutzung; wie Empfänger agentenvermittelten Output beurteilen, den niemand mehr selbst ausgeführt hat, ist in keiner Quelle gemessen. (Lauf 3)
Die HCI-Verlässlichkeitsmetriken (RAIR/RSR) sind für binäre Einzelentscheidungen mit Crowdworkern validiert und „not adapted to generative AI“, erst recht nicht für Agenten. (Lauf 3)
Die Korrelate strategischer Klarheit mit Nutzung und Burnout (Makridis) und der Manager-Vorbildeffekt (Microsoft WTI) sind Assistenzdaten; das einzige Agentenitem (+30 Punkte Vertrauen) ist eine Einstellungsfrage. (Lauf 3)
Die Delegationsdynamik bei Liu et al. (875 Filialleiter) betrifft vermutlich ein prädiktives Entscheidungsunterstützungssystem, nicht einen LLM-Agenten, und ist für Delegation an agentische Systeme nur als Analogie nutzbar. Für Delegation und Automatisierung tragen nur: READY (Benchmark), die Rahmenwerke (ohne Outcome), die Alibaba-Eskalationsstudie, Human-Factors-Prüfmuster, regulatorische Texte (Annex 22, MaRisk, FSB) und Fallberichte zu Rückbau und Sprawl. (Lauf 3)

Offene Fragen und Verfahren im Kundenprojekt

Erodiert die unassistierte Prüfkompetenz von Sachbearbeitern und Fachkräften bei Assistenz oder Ausnahmebehandlung über mehr als sechs Monate? (PE4, PE1)

Verfahren: Vorher-Nachher-Messung der Erkennungsquote eingeschleuster Fehlfälle („seeded errors“) bei Ausnahmebehandlern nach dem Muster Budzyń/Casner; unassistierte Assessments vierteljährlich; Nutzungsmuster-Diagnostik aus Logs mit Zustimmung des Betriebsrats.

Wohin geht freigesetzte Kapazität nach Automatisierung tatsächlich (Reinvestition, Verdichtung, Abbau)? (OE1, OE3, OE7, OE5)

Verfahren: Zeitaufschreibung statt Selbstauskunft vor und nach Rollout; Aufgabenmix-Inventar je Rolle; Abgleich mit der vorab kommunizierten Verwendungsentscheidung; die EZB nennt dies explizit als offene Frage.

Verändern Nutzungs- und Kennzeichnungsnormen im Team Offenlegung, Workslop und psychologische Sicherheit? (OE5, OE6)

Verfahren: Feldstudie auf Teamebene: Normen in der Hälfte der Teams gestaffelt einführen, Offenlegungsquote, Nacharbeitszeit und Sicherheitsskala vor/nach messen; keine solche Studie existiert.

Verändern Agenten Führungsspannen, Hierarchieebenen und Rollenzuschnitte? (OE2, OE4)

Verfahren: HR-Stammdaten über 24 Monate (Spannen, Ebenen, Stellenprofile) in Einheiten mit vs. ohne Agenten; Stellenanzeigen auf Orchestrierungs-/AgentOps-Rollen auswerten; bislang nur Prognosen.

Wie wird Leistung beurteilt, wenn Output agentenvermittelt ist, und akzeptieren Beschäftigte Spezifikations- und Prüfqualität als Maß? (PE6, OE7)

Verfahren: Pilot-Beurteilungsrunde mit Eingriffsquote, erkannten Fehlern und Rückfallkosten als Kriterien; Fairnessbefragung; Abgleich mit BV-Verbot der Leistungskontrolle über Systemdaten (§ 87 Abs. 1 Nr. 6).

Ist die Fähigkeitsgrenze für die konkreten Aufgaben des Kunden mit aktuellen Modellen gewandert? (OE3, PE1)

Verfahren: Interne Replikation des BCG-Designs an 10–20 Kundenaufgaben (innerhalb/außerhalb), halbjährlich; niemand hat die Grenze gegen Reasoning-Modelle vermessen.

Ab welcher Aufgabenlänge, Reversibilität und Spezifikationstiefe ist Delegation im Kundenprozess zuverlässig? (OE3, OE2)

Verfahren: Shadow Runs: Agent läuft parallel zum Menschen, Erfolgs- und Eingriffsquote je Aufgabentyp; Staffelung der Autonomiestufen nach gemessener Zuverlässigkeit, nicht nach Benchmark.

Welches Eskalationsdesign (Zeitpunkt, Auslöser, Typ) minimiert Qualitätsverlust und Vigilanzabbau bei Ausnahmebehandlern? (OE3, OE6, PE5)

Verfahren: A/B-Vergleich menscheninitiierter vs. algorithmischer Eskalation (Alibaba-Muster); Rotation zwischen Ausführen und Prüfen; Anstrengungsmaße der Supervisoren.

Senkt eine Betriebsvereinbarung mit Autonomiestufen, Protokollzugriff und Eingriffsrechten die Jobangst und erhöht sie Lernbereitschaft? (OE5, PE7)

Verfahren: Beschäftigtenbefragung vor/nach BV-Abschluss (Gallup-/Weizenbaum-Items), Vergleich von Einheiten mit und ohne BV; keine Vorlage für Agenten-BVen existiert.

Was kostet eine delegierte Aufgabe gegenüber einer menschlichen Stunde, einschließlich Prüfung und Rückfallkosten? (OE7)

Verfahren: Vollkostenrechnung je Aufgabentyp (Tokens, Prüfzeit, Rückfallkosten, Vorfallkosten); 20 % der Unternehmen sind kostenbegrenzt, aber niemand misst Aufgabenkosten.

Welche Führungskräfteentwicklung verbessert Spezifikations- und Supervisionskompetenz messbar? (PE5)

Verfahren: Programm mit unassistiertem Logik-Audit-Test vor/nach, Kontrollgruppe (Warteliste); keine Programmevaluation existiert; KI-Coaching nicht als Ersatz einsetzen.

Wer wird 2032 Senior: Welche Einstiegsrollen erzeugen implizites Wissen, wenn kodifizierte Juniorarbeit entfällt? (PE3, PE4)

Verfahren: Kohortenverfolgung der Einstiegsjahrgänge 2024–2027 (Rollen, Mentoring-Exposition, unassistierte Assessments) gegen frühere Kohorten; Indeed-/IAB-Daten erlauben keine Betriebsaussage.

Wie lange dauert in einer Organisation der Zielgruppe der Übergang von organisierter Breite (Phase 2) zu beaufsichtigter Delegation (Phase 3), und was löst ihn aus?

Verfahren: Phasen-Logbuch über 24 Monate: je Funktion monatlich Breitenindikatoren (Telemetrie Wochennutzung je Team) und Tiefenindikatoren (Agenten in Pilot/Produktion, Autonomiestufe, Eingriffsquote) erfassen; Ereignisse (Plattformentscheidung, Zielsumme, Vorfall, BV) datieren; erste Längsschnittdaten für das Modell

Läuft die Mitbestimmung in der Planungsphase (statt bei der Einführung) zu besseren Delegationsregeln und weniger Rückbau?

Verfahren: Vergleich von Einheiten, in denen die Rahmen-BV vor dem Pilot steht, mit Einheiten mit nachgezogener Regel: Vorfälle, Eingriffsquote, Pilotaufgabe, Akzeptanz (Weizenbaum-Items: Beteiligung Planung 35 % als Baseline)

Wie hoch ist die Eingriffs- und Fehlererkennungsquote produktiver Agenten im Kundenprozess, und wie entwickelt sie sich über Monate (Vigilanz)?

Verfahren: Aufsichts-Dashboard mit Eingriffsquote, erkannten Fehlern (inkl. eingeschleuster Fehlfälle), Rückfallkosten; monatliche Reihe; Vergleich mit und ohne Rotation der Ausnahmebehandler; es existiert keine Baseline in irgendeiner Quelle

Welche Vollkosten hat eine delegierte Aufgabe (Tokens, Prüfzeit, Rückfall, Vorfall) gegenüber einer menschlichen Stunde, und ab welcher Verlässlichkeit kippt die Rechnung?

Verfahren: Vollkostenrechnung je Aufgabentyp aus Shadow Runs (Agent parallel zum Menschen), inkl. Prüfzeit der Supervisoren; Kostenprüfung bei Freigabe (KPMG 74 %) als Prozessanker

Wohin geht freigesetzte Kapazität in einer Organisation, die die Verwendung vorab kommuniziert hat, gegenüber einer, die es nicht tut?

Verfahren: Zeitaufschreibung vor/nach Rollout in zwei vergleichbaren Einheiten; Kommunikation der Verwendungsentscheidung nur in einer; Angst- und Verheimlichungsitems (Gallup, Slack) vor/nach; Edelman-Mechanismus im Feld prüfen

Erzeugen redesignte Einstiegsrollen (answer-key, preceptor) unassistierte Expertise, oder verlagern sie nur Review-Arbeit auf Führungskräfte?

Verfahren: Kohorte neuer Einsteiger mit answer-key-Design vs. Standard: unassistierte Assessments nach 6 und 12 Monaten; Zeitaufschreibung der Führungskräfte für Review; keine Messung existiert

Wer besitzt Kontextkuratierung (RAG-Pflege, Teamkonventionen, Ausnahmefälle), und welches Modell (IT, L&D, Linie, externer Dienst) erzeugt die geringsten Kontextfehler?

Verfahren: Zuweisung der Kuratierung an unterschiedliche Träger in Pilotprozessen; Messung der Kontextfehler im Agentenoutput, Pflegeaufwand, Veralterung („context rot“); Gartners 300 %-Warnung im Feld prüfen

Erkennen Ausnahmebehandler plausibel-falsche Agentenoutputs, und verfällt die Erkennung (Approval Fatigue)?

Verfahren: Injizierte Known-Bad-Fälle (ca. 5 % des Review-Stroms), Erkennungsquote je Woche und je Reviewer; Vergleich Rotation vs. Dauerbesetzung in zwei Teams

Hebt ein Champion- oder Facilitator-Netzwerk Nutzungsqualität, nicht nur Erstnutzung?

Verfahren: Präregistrierter Pilot mit gematchten Teams (Facilitator ja/nein), Outcome Nutzungsmuster (Erklären/Prüfen) und Fehlerquote in Stichproben, nicht Aktivierung

Verändert ein Shadow Run mit Ergebnisrückspiegelung die Delegationskalibrierung von Führungskräften?

Verfahren: Vorher-Nachher-Delegationsentscheidungen derselben Führungskräfte (welche Aufgaben auf welche Stufe), verglichen mit gemessener Agentenverlässlichkeit; Polarisierung als Warnindikator

Erhält Beurteilungstraining unassistierte Prüfkompetenz für Textoutput?

Verfahren: Unassistiertes Assessment (Fehlersuche in Agentenoutput ohne Tool) vor Training, nach Training und nach drei Monaten; Kontrollgruppe mit Bedienschulung

Senkt eine aufgabenbezogene Teamnorm die soziale Strafe für Nutzung?

Verfahren: Zwei Teams, eines mit Charta (erwartet/offenzulegen/untersagt je Aufgabe), Messung von Verheimlichung (anonym) und Bewerter-Urteilen in Kalibrierungsrunden nach 8 Wochen

Entscheidet organisationale Begleitung über Abbruch oder Skalierung?

Verfahren: Zwei vergleichbare Prozesse, einer mit Begleitpaket (Zielbild, Rollen, Messprozess, BV-Pfad), einer nur technisch; Outcome Skalierungsentscheidung, Rückfallkosten, Wiederbesetzung nach 12 Monaten

Unterscheiden sich produktionsnahe Wissensbereiche in der Adoption von Büro-Wissensarbeit?

Verfahren: Dieselbe Diagnostik (Telemetrie, Verheimlichung, Regelstand, Eingriffsquote) in einem Planungs-/Qualitätsteam und einem Verwaltungsteam desselben Unternehmens; Mitbestimmungsstatus je Agent dokumentieren

Wie diese Sammlung entsteht und wo ihre Grenzen liegen

Suchbasierte Produktion an einem Tag: Alle drei Berichte und die Prüfung sind am 21.10.2026 aus Websuchen und dem Abruf einzelner Seiten entstanden, nicht aus systematischer Literaturrecherche mit Datenbanken, Suchprotokoll und Einschlusskriterien; welche Studien gefunden wurden, hängt von Suchbegriffen und Ranking ab.
Sekundärquellen statt Primärtexte: Tragende Quellen (Microsoft Work Trend Index, Gallup, Gartner, METR, International AI Safety Report, OECD, WEF, IAB-Strukturwandelstudie, Weizenbaum-DP 53, Omnibus-Endfassung) wurden nur über Sekundärzusammenfassungen gelesen; metr.org, EUR-Lex-Volltext, Anthropic Economic Index, NBER WP 33795 und ArbG Leipzig blieben ungeprüft.
Keine Paywall- und keine Datenbankzugänge: Prosci, SHRM, LinkedIn Workplace Learning Report, Slack Workforce Index, APA Work in America, Fraunhofer IAO und Gerichtsdatenbanken waren nicht erreichbar; die KI-VO-Darstellung beruht auf Erwägungsgründen, Kommissions-Q&A, BaFin-PM und Kanzleiblogs, nicht auf dem Normtext.
Konzentration auf Englisch und Deutsch, USA und Deutschland: Delegations- und Automatisierungsevidenz stammt fast vollständig aus den USA (Microsoft, Scale AI, Gallup) und China (Alibaba); Österreich und Schweiz nur mit Nutzungsquoten; Branchenevidenz (Automotive, Financial Services, Pharma, Medizintechnik) nur als Regeltext, nicht als Adoptionsdaten.
Grenzen der Prüfung selbst: 29 von mehreren hundert Behauptungen gezogen, bevorzugt die als unsicher markierten; Trefferquote nicht hochrechenbar; Konsistenzprüfung per Textsuche, nicht vollständige Lektüre der rund 550 Seiten; Webprüfung über automatisierten Abruf mit Zusammenfassung; eine Prüfung mit Bibliothekszugang und mehr Zeit würde wahrscheinlich weitere Korrekturen finden.
Empfehlung für die Weiterverwendung: Korrekturen 1 bis 10 einarbeiten; „nicht primär prüfbar“ oder „nur in Notizen belegt“ markierte Zahlen am Primärtext nachprüfen oder als Sekundärquelle führen; Evidenzstufen laufübergreifend vereinheitlichen (Korrekturen 9, 15, 16, 17); ES-Zeilen mit Prognosen oder Absichten kennzeichnen (Korrekturen 4, 23).

Korrekturen aus der letzten Prüfung

24 Korrekturen eingearbeitet, die wichtigsten:

Lauf 3, READY-Benchmark: „Ohne Sicherheitsmarge qualifizieren 95 %, mit Marge 46 %“ ist invertiert; richtig: ohne Marge nur 46 %, mit δ = 0,05 95 % (Chatrath et al., arXiv 2609.02095).
Lauf 1 (und Lauf 2): „Art. 4 KI-VO ist seit 27.7.2026 Bemühenspflicht“ vermischt Geltungsbeginn und Wortlautänderung; richtig: gilt seit 2.2.2025, seit 27.7.2026 (VO (EU) 2026/1744 vom 8.7.2026) abgeschwächter Wortlaut, Aufsicht seit 2.8.2026, nationale Sanktionen möglich.
Lauf 2, IAB-Zuordnung: 21 % der GenKI-nutzenden Betriebe haben Regeln, 27 % bieten Schulung (Lauf 1 korrekt); „rund drei Viertel weder Regel noch Schulung“ nicht ableitbar, nur „mindestens die Hälfte“ (52–73 %).
Lauf 3, Executive Summary: Gartner „40 % stufen Agenten bis 2027 zurück“ und Forrester „30 % gerettet“, „< 15 % aktivieren“ sind Prognosen ohne Stichprobe; als „Prognose (C)“ kennzeichnen oder aus der ES entfernen.
Lauf 1, OLG Hamm 12.5.2026 ohne Hinweis auf Rechtskraft; ergänzen: Az. 4 UKl 3/25, § 5 UWG, Revision zum BGH zugelassen, nicht rechtskräftig; Kundenservice-Chatbot, kein Agent.