KI-Fatigue ist kein individuelles, sondern ein strukturelles Problem

Wie stark diese Beschleunigung tatsächlich wirkt, zeigen mehrere voneinander unabhängige Erhebungen. Eine gemessen an der Geschwindigkeit, mit der sich KI entwickelt, schon beinahe historisch anmutende Befragung des Arbeitsmarkt-Marktplatzes Upwork aus dem Jahr 2024 ergab, dass 77 Prozent der KI-nutzenden Beschäftigten berichteten, KI-Tools hätten ihre Arbeitsbelastung erhöht, nicht verringert [3].

Eine über acht Monate laufende Feldstudie der University of California, Berkeley, zur Arbeitsgewohnheit unter KI-Einführung zeigt, dass natürliche Pausen im Arbeitstag systematisch erodieren, sobald KI-Tools bereitstehen [4]. Diese Beobachtungen haben wir in unserem Beitrag „KI entlastet und verführt gleichzeitig zu Mehrarbeit“ bereits eingeordnet.

Der zentrale Punkt für die weitere Argumentation: KI-Fatigue entsteht nicht, weil KI schlecht funktioniert. Sie entsteht, weil KI so gut funktioniert, dass die etablierten Rahmenbedingungen in Organisationen dieser neuen Form von Wissensarbeit nicht mehr genügen.

Sind Mitarbeitende bereits weiter als ihre Organisationen?

Wer sich die Adoptionsdaten zu KI in Deutschland anschaut, findet ein auffälliges Muster. Auf der individuellen Ebene ist KI angekommen. Auf der organisationsweiten Ebene hinkt Deutschland im europäischen und internationalen Vergleich hinterher. Und: Die Schere zwischen beiden Ebenen wird größer und schließt sich nicht etwa.

Der BCG-Report „AI at Work 2025“ zeigt für Deutschland eine wöchentliche individuelle KI-Nutzung von 64 Prozent unter befragten Wissensarbeitenden. Zum Vergleich: In den USA liegt der Wert bei 51 Prozent [5]. Deutsche Beschäftigte nutzen KI individuell also nicht weniger, sondern häufiger als ihre US-Kollegen.

Gute Nachrichten gibt es auch bei der organisationsweiten Betrachtung: Die Bitkom-Studie Durchbruch bei Künstlicher Intelligenz vom September 2025 zeigt, dass 36 Prozent der deutschen Unternehmen KI einsetzen [6]. Das ist eine Verdopplung gegenüber den Zahlen aus dem Jahr 2024.

Genauso wichtig sind aber auch folgende Datenpunkte, die für das Thema KI-Fatigue entscheidend sein können:

1. Nur acht Prozent der Unternehmen bieten KI-Schulungen für alle Beschäftigten an. 43 Prozent bieten überhaupt keine Schulung an [6].
2. Das Institut der deutschen Wirtschaft weist in seinem Report „KI als Wettbewerbsfaktor“ aus dem Jahr 2025 aus, dass nur sechs Prozent der Unternehmen KI in mehreren Geschäftsbereichen einsetzen [7]. Der Rest arbeitet mit Insellösungen.

Weitere Einordnungen zu den organisatorischen Herausforderungen haben wir in unserem Beitrag zur KI-Transformationsmatrix zusammengestellt.

In der Zusammenschau ergibt sich ein fast paradoxes Bild. Eine weitere Bitkom-Erhebung vom Oktober 2025 unter 604 Unternehmen bestätigt die Schere: 42 Prozent der Unternehmen gehen davon aus, dass ihre Beschäftigten private KI-Tools im Job nutzen. In acht Prozent ist das weitverbreitet, eine Verdopplung gegenüber 2024 [8]. Nur 23 Prozent der Unternehmen haben überhaupt Regeln für den KI-Einsatz aufgestellt. Nur 26 Prozent stellen ihren Beschäftigten offiziellen Zugang zu generativer KI bereit.

Die Lage in der Zusammenfassung: Mitarbeitende in deutschen Unternehmen nutzen KI oft intensiv, auch ohne offizielle Freigabe. Ihre Arbeitgeber haben die strukturellen Voraussetzungen für diese Nutzung vielfach noch nicht geschaffen. Schulungen fehlen genauso wie klare Richtlinien und integrierte Prozesse.

Diese Lücke ist ein zentraler, aber nicht der einzige Treiber von KI-Fatigue. Selbst dort, wo Unternehmen KI offiziell bereitstellen, kann Ermüdung entstehen, wenn Arbeitsabläufe nicht angepasst werden, Schulungen nur oberflächlich bleiben oder eine Kultur der Kontrolle die iterative Logik von KI blockiert.

Warum kollidiert KI-Logik mit der Logik vieler Organisationen?

Vielleicht liegt darin der strukturelle Kern des Problems. KI folgt einer anderen Logik als die etablierten Prozesse in vielen Organisationen.

Die Logik von KI ist Iteration. Jeder, der mit KI gearbeitet hat, kennt das aus eigener Erfahrung nur zu gut. Die Ergebnisse sind nie beim ersten Anlauf perfekt. Vielmehr vollzieht sich ein Zyklus aus Hypothese, Prompt, Ergebnis, Anpassung, erneutem Versuch. Jeder dieser Schritte ist mit Unsicherheiten behaftet. Die Ergebnisse sind nicht deterministisch. Qualität entsteht durch Wiederholung, Variation, Vergleich und durch das Schaffen von Kontext und Referenzen für die KI. Kurz: Produktive KI-Arbeit ist über weite Strecken auch experimentelle Arbeit.

Die Logik vieler Organisationen ist dagegen geprägt von einem Ansatz, der weitestgehend als „Kontrolle“ bezeichnet werden kann. Planung, Absicherung, Freigabeschleifen, Dokumentation. Unsicherheit wird so weit wie möglich reduziert, nicht kultiviert. Stabilität entsteht durch Vorhersagbarkeit. Produktive Arbeit ist Arbeit nach Plan. Ambiguität wird so gut es geht ausgeschlossen.

Beide Logiken sind für sich genommen absolut nachvollziehbar. Ihre Koexistenz kann aber Reibung schaffen, wenn die verschiedenen Ebenen nicht bewusst verzahnt werden. Und genau diese Reibung kann ebenfalls zu KI-Fatigue beitragen.

Diese Reibung ist nicht neu. Vielmehr ist sie eine normale Begleiterscheinung jeder Innovation, die sich ihren Weg bahnt. Neu ist, wie schnell sie in der täglichen Arbeit sichtbar wird, sobald KI ins Spiel kommt. Eine von MIT Technology Review Insights im Auftrag von Infosys Topaz durchgeführte Befragung von 500 Führungskräften weltweit aus dem Dezember 2025 kommt zu dem Ergebnis, dass psychologische Barrieren inzwischen stärker wirken als technische, wenn es um die erfolgreiche Einführung von KI geht [9]. 83 Prozent der Executives gaben an, eine Kultur mit ausgeprägter psychologischer Sicherheit verbessere den Erfolg von KI-Initiativen messbar.

Die Befunde dieser Befragung ordnen sich in eine wissenschaftliche Tradition ein, die deutlich älter ist. Die Harvard-Wirtschaftswissenschaftlerin Amy Edmondson hat das Konzept der psychologischen Sicherheit bereits 1999 in der Administrative Science Quarterly formuliert [10]. In einer Feldstudie von 51 Teams zeigte sie, dass Teams dann lernen, wenn ihre Mitglieder Fehler melden, Fragen stellen und abweichende Perspektiven einbringen können, ohne soziale Konsequenzen zu fürchten. In ihrem Buch The Fearless Organization aus dem Jahr 2018 weitet sie dieses Konzept auf ganze Organisationen aus [11].

Die Kombination dieser Befunde zeigt: Psychologische Sicherheit gehört nicht mehr in die Rubrik weicher Kulturfaktoren. Sie wirkt als Voraussetzung dafür, dass KI-Initiativen in der Organisation ankommen können und nicht in persönliche Ermüdung umschlagen.

Warum verstärkt dieser Mismatch die KI-Fatigue?

Wer täglich KI nutzen soll, aber in Organisationsstrukturen eingebunden ist, die nicht auf eine iterative Herangehensweise ausgelegt sind, zahlt womöglich einen kognitiven Preis dafür.

Drei Muster treten dabei regelmäßig auf:

1. Review-Last ohne Rückendeckung. KI erzeugt in kurzer Zeit Ergebnisse. Die Verantwortung für die Qualitätssicherung bleibt aber beim Menschen. Wenn die Organisation keine Zeitbudgets für diese Prüfungen berücksichtigt, entsteht eine unsichtbare Zusatzarbeit. Das Mehr an Output fühlt sich natürlich produktiv an. Die Erschöpfung am Abend lässt sich hingegen schwerer einordnen. Die Microsoft-365-Telemetrie aus dem Frühjahr 2025 dokumentiert, dass Wissensarbeitende im Schnitt alle zwei Minuten durch Meetings, E-Mails oder Chats unterbrochen werden [12]. Diese bereits fragmentierte Aufmerksamkeit trifft nun auf KI, die als zusätzliche Anforderungsebene wirkt. Prüfen, Einordnen, Entscheiden, Korrigieren.
2. Shadow AI als Ausweichverhalten. Die bereits zitierte Bitkom-Erhebung aus dem Oktober 2025 zeigt, dass in 42 Prozent der deutschen Unternehmen private KI-Tools im Job eingesetzt werden [8]. Das ist kein Zeichen schlechter Absicht, sondern eine Reaktion auf fehlende offizielle Wege. Wer Shadow AI nutzt, trägt nicht nur die Verantwortung für das Ergebnis, sondern auch für Datenschutz, Compliance und Einordnung. Ein dauerhafter Zustand stiller Eigenverantwortung erzeugt kognitive Belastung.
3. Permanenter Rollenwechsel zwischen Ausführung und Aufsicht. Die Koordination paralleler KI-Prozesse ist Managementarbeit, auch wenn sie von Sachbearbeitenden verlangt wird. Welche Instanz benötigt gerade Input? Wo ist ein Ergebnis zu prüfen? Welche Aufgabe hat Priorität? Diese Koordinationsleistung wurde in der Prä-KI-Zeit selten verlangt und ist in so gut wie keinem Aufgabenprofil systematisch abgebildet. Eine Einordnung dieser neuen Anforderungen haben wir im Beitrag „KI macht uns produktiver und genau darin liegt eine Gefahr“ vorgenommen.

Alle drei Muster haben eine gemeinsame Ursache. Die Organisation erwartet den Nutzen der KI, hat aber noch nicht verstanden, dass dafür neue Rahmenbedingungen geschaffen werden müssen, damit dieser Nutzen ohne persönliche Erosion realisiert werden kann.