Das Kompetenz-Paradox - warum KI schneller macht, aber nicht klüger

Wir verwechseln Tempo und Tiefe

Es ist verlockend: Wer heute eine E-Mail formuliert, eine Analyse zusammenfasst oder einen ersten Codeentwurf schreibt, braucht dafür oft nur noch einen Bruchteil der Zeit von vor zwei oder drei Jahren. Diese Beschleunigung wird in Unternehmen meist als Produktivitätsgewinn verbucht, und auf den ersten Blick stimmt das vermutlich auch. Das Problem liegt aber wohl woanders: Geschwindigkeit sagt nichts darüber aus, ob eine Person, die ein KI-System bedient hat, den Inhalt hinterher auch tatsächlich verstehen, begründen oder auf eine neue Situation übertragen kann.

Und je müheloser eine KI eine Aufgabe löst, desto weniger Anlass besteht, selbst zu denken, und umso größer wird gleichzeitig das subjektive Gefühl, sehr kompetent zu sein. Dabei verwechseln wir Schnelligkeit mit Können, obwohl beides nicht zwingend zusammenhängen muss. Kurzfristig fällt diese Verwechslung kaum auf, weil Output und Ergebnisqualität sogar steigen. Sie beginnt erst zu kosten, sobald die Maschine fehlt oder die Aufgabe neu ist, also genau dann, wenn unternehmerisches Urteilsvermögen gefragt wäre.

Was die (kleine) MIT-Studie tatsächlich zeigt

Ein Forschungsteam am MIT Media Lab um Nataliya Kosmyna hatte dieses Muster bereits 2025 unter kontrollierten Bedingungen sichtbar gemacht (Kosmyna et al., 2025). In der Untersuchung schrieben 54 Teilnehmende über mehrere Sitzungen hinweg Essays, aufgeteilt in drei Gruppen: eine Gruppe nutzte ausschließlich ein Sprachmodell, eine zweite eine klassische Suchmaschine, eine dritte arbeitete ganz ohne externe Hilfsmittel. Per Elektroenzephalografie maßen die Forschenden die neuronale Konnektivität während des Schreibprozesses.

Das Ergebnis ist eindeutig: Die reine “Brain-only”-Gruppe zeigte die stärksten und am weitesten verteilten neuronalen Netzwerke, die Suchmaschinen-Gruppe moderate Werte, und die Gruppe mit Sprachmodell die schwächste Konnektivität. Besonders aufschlussreich ist die vierte Sitzung, in der Gruppen getauscht wurden: Wer zuvor mit KI gearbeitet hatte und dann ohne Hilfsmittel schreiben sollte, zeigte messbar reduzierte Hirnaktivität und ein geringeres Gefühl von Autorenschaft für den eigenen Text. Wer umgekehrt neu zur KI-Unterstützung wechselte, wies dagegen höhere Erinnerungsleistung auf, ähnlich wie die Suchmaschinen-Gruppe.

Die Autor:innen sprechen von “kognitiver Verschuldung” (cognitive debt): Die Abkürzung wird kurzfristig erkauft, aber langfristig mit geringerer eigener Denkleistung zurückgezahlt. Die Studie wurde allerdings – wohl aufgrund der kleinen Stichprobe – eher kritisch aufgenommen, weshalb ein zweiter Blick lohnt.

Was die Studie mit 26.811 Schüler:innen für die Arbeitswelt zeigt

Denn wie stark sich eine kognitive Verschiebung über Zeit aufsummiert, zeigt eine zweite Untersuchung mit deutlich größerer Stichprobe – diesmal in einer Schule, aber nicht weniger relevant. Ein Forschungsteam um David Strömberg, Victor Lei und Yanhui Wu hat 30 Monate lang die Lernverläufe von 26.811 Schüler:innen der Klassen 7 bis 12 in China ausgewertet und dabei Hausaufgabenleistungen, Bearbeitungszeit, geschlossene Monatsprüfungen sowie High-Stakes-Aufnahmeprüfungen kombiniert: Die Hausaufgabenresultate stiegen um 18 Prozent, während die Bearbeitungszeit um 30 Prozent sank, ein klassisches Muster von mehr Output bei weniger investierter Denkzeit.

Das schädliche Muster: Aufgabe abgeben, Ergebnis abholen. Die Schülerin öffnet die KI, lässt sie die Hausaufgabe lösen, kopiert das Ergebnis: Die Bearbeitungszeit sinkt um 30 Prozent, die Note wird zwar besser, weil die KI sauberer arbeitet als ein 14-Jähriger – aber im Kopf bleibt nichts hängen. Bei der nächsten Prüfung, ohne KI, bricht die Leistung ein, bis zu einem Viertel schlechter.

Das unschädliche Muster: Gleich lange dran arbeiten, KI als Zusatz nutzen. Die Schülerin nutzt die KI zum Beispiel, um eine Antwort zu prüfen oder eine Fachfrage zu klären, aber investiert insgesamt etwa gleich viel Zeit wie ohne KI. Diese Gruppe zeigt kaum Lernverlust.

Die einfache Formel dahinter: Nicht der Zugang zu KI entscheidet, sondern ob die eingesparte Zeit tatsächlich für etwas anderes genutzt wird oder einfach verschwindet. Wer eine Aufgabe in fünf statt zwanzig Minuten “erledigt” und die restlichen fünfzehn Minuten wirklich frei hat, hat nichts gelernt. Wer die eingesparte Zeit nutzt, um das Ergebnis zu prüfen, zu hinterfragen oder eine zweite, schwierigere Aufgabe anzugehen, lernt weiterhin. Für Betriebe und Ausbildung übersetzt sich das eins zu eins: Die entscheidende Frage ist nie “Darf KI genutzt werden?“, sondern “Wann setze ich KI bewusst ein und wozu?” und “Wohin fließt die Zeit, die dadurch frei wird?”

Vertrauen ersetzt Prüfung, nicht nur Arbeit

Eine dritte, unabhängig davon entstandene Untersuchung von Microsoft Research und der Carnegie Mellon University liefert die Erklärung dafür, warum ein bewusster KI-Einsatz vor allem im Berufsalltag wichtig wird. Befragt wurden 319 Wissensarbeiter:innen anhand von 936 konkreten Beispielen ihrer Nutzung generativer KI bei realen Arbeitsaufgaben (Lee et al., 2025). Der zentrale Befund: Je höher das Vertrauen in ein KI-System, desto geringer die kritische Prüfung seiner Ausgaben. Je höher dagegen das Vertrauen in die eigene Urteilsfähigkeit, desto intensiver die kritische Auseinandersetzung.
Das bedeutet:

Wer der Maschine mehr zutraut als sich selbst, verschiebt die eigene Rolle von der Prüfinstanz zur reinen Bestätigungsinstanz. Die Denktätigkeit verlagert sich, so die Studie, auf drei schmalere Bereiche: Informationen verifizieren, Antworten in bestehende Arbeit integrieren und die Aufgabe insgesamt im Blick behalten. Das ist deutlich weniger, als eine Lösung selbst zu erarbeiten, zu hinterfragen oder alternative Wege durchzudenken.

Warum das für Betriebe eine strukturelle Frage ist

Für Ausbildungsverantwortliche, Führungskräfte und Teams, die zunehmend mit KI-Werkzeugen arbeiten, ergibt sich daraus eine etwas unbequeme Konsequenz und neue Realität: Die Zahl der bearbeiteten Aufgaben pro Stunde ist kein verlässlicher Indikator mehr für Kompetenzaufbau – und war sie vermutlich auch nie. Zwei Personen können dieselbe Aufgabe im selben Tempo lösen, aber am Ende völlig unterschiedlich viel gelernt haben, je nachdem, ob sie selbst gedacht oder nur bestätigt haben, was eine Maschine vorgeschlagen hat.

Für die betriebliche Praxis heißt das: Schulungs- und Prüfroutinen sind kein Misstrauensvotum gegen KI, sondern eine Voraussetzung dafür, dass Kompetenz überhaupt entsteht. Eine einfache Regel hilft dabei, die Reihenfolge zu retten: Erst die eigene Einschätzung formulieren, dann die KI konsultieren, dann das Ergebnis gegen Kriterien prüfen, dann die eigene Entscheidung begründen (das lernen wir aus der großen Studie mit den Schüler:innen). Wird diese Reihenfolge umgedreht, also KI zuerst, Prüfung vielleicht, entsteht genau die kognitive Verschuldung, die das MIT-Team gemessen hat, und wir erleben einen Überschätzungseffekt durch das wiederholt gegebene Vertrauen, wie ihn die Forschenden oben beschrieben haben.

Darum das nächste Mal: erst innehalten, nachdenken ob und wie ich KI einsetzen möchte, mit der KI mitdenken und dann das Ergebnis kritisch prüfen – auch dann spart man immer noch genug Zeit. Die Vergessensschuld nimmt jedoch merklich ab und das gute Gefühl, etwas geleistet zu haben, nimmt zu.