KI soll Arbeit leichter machen. In vielen Organisationen passiert zunächst das Gegenteil: Es entstehen neue Fragen, neuer Prüfaufwand und zusätzlicher Abstimmungsbedarf – und vieles davon landet bei den Menschen, die ohnehin zwischen Strategie und Tagesgeschäft vermitteln: dem mittleren Management.
Wenn über KI gesprochen wird, geht es meist um neue Möglichkeiten: höhere Produktivität, bessere Entscheidungen, neue Geschäftsmodelle oder mehr Innovation.
Weniger Aufmerksamkeit bekommt dagegen eine Gruppe, die diese Veränderungen im Alltag überhaupt erst umsetzen muss: Teamleitungen, Redaktionsleitungen, Herstellungsleitungen, Content-Verantwortliche, Projektleitungen, Product Owner und Bereichsleitungen.
Bei ihnen landen Fragen, auf die es oft noch keine klaren Antworten gibt:
- Dürfen wir KI-generierten Text so veröffentlichen?
- Wer prüft die fachliche Qualität?
- Wie viel Zeit darf ein Team in neue Arbeitsweisen investieren, wenn die nächste Deadline bereits ansteht?
- Und woran erkennen wir, ob ein Ergebnis tatsächlich gut ist – oder nur überzeugend formuliert?
Ein Beitrag im Harvard Business Review von Julia Shin und Sandra J. Sucher brachte mich deshalb zum Nachdenken. Die Autorinnen beschreiben, wie die Einführung von KI vor allem das mittlere Management zusätzlich belastet.
Die Beispiele stammen aus einer anderen Branche. Die zugrundeliegende Dynamik begegnet mir jedoch auch in Verlagen, Bildungsunternehmen und anderen wissensintensiven Organisationen.
Denn viele KI-Initiativen starten mit einem großen Versprechen: schneller arbeiten, effizienter werden und innovativer handeln.
Das kann gelingen. Aber bevor es leichter wird, wird es oft erst einmal komplizierter. Neue Tools müssen eingeordnet, Ergebnisse bewertet, Qualitätsmaßstäbe entwickelt und Teams begleitet werden. Gleichzeitig läuft das Tagesgeschäft weiter.
Genau hier entscheidet sich aus meiner Sicht, ob KI tatsächlich entlastet – oder ob sie lediglich neue Aufgaben erzeugt.
KI spart Arbeit – aber nicht unbedingt dort, wo wir es erwarten
Auf den ersten Blick wirkt KI wie ein Produktivitätsschub. Recherchen dauern kürzer, erste Entwürfe entstehen in Minuten und Analysen lassen sich deutlich schneller vorbereiten.
Diese Zeitersparnis ist echt. Was dabei aber leicht übersehen wird: KI erzeugt gleichzeitig neue Arbeit. Ergebnisse müssen geprüft werden. Quellen müssen nachvollziehbar sein. Entscheidungen brauchen neue Kriterin und Teams müssen sich auf gemeinsame Standards einigen.
Plötzlich stellen sich Fragen wie:
- Ist das Ergebnis fachlich korrekt oder nur plausibel formuliert?
- Welche Annahmen stecken dahinter?
- Wo endet sinnvolle Unterstützung durch KI – und wo beginnt fachliche Verwortung?
- Welche Kompetenzen müssen Mitarbeitende weiterhin selbst aufbauen?
- Wer entscheidet, wann KI-Einsatz sinnvoll wird?
Diese Aufgaben verschwinden nicht, sie verlagern sich. Und landen dann häufig bei den Menschen, die operative Qualität verantworten und gleichzeitig strategische Vorgaben in den Arbeitsalltag übersetzen. Das ist das mittlere Management.
Dort zeigt sich, ob aus einzelnen KI-Experimenten eine verlässliche Arbeitsweise wird, dort entstehen neue Routinen und dort werden Unsicherheiten aufgefangen. Ja, und dort wird auch entschieden, ob KI langfristig Vertrauen schafft oder zusätzlichen Aufwand produziert.
Drei Bruchstellen, die ich in KI-Projekten immer wieder beobachte
Aus meiner Sicht entstehen die größten Schwierigkeiten bei der Einführung von KI nicht durch die Technologie selbst. Sie entstehen dort, wo neue Arbeitsweise auf bestehende Organisationen treffen.
Dabei begegnen mir immer wieder dieselben drei Muster.
1. KI-Lernen passiert nebenbei
In vielen Teams wird mit KI experimentiert – aber meist zusätzlich zum Tagesgeschäft.
Einzelne entwickeln gute Prompts, finden sinnvolle Workflows oder entdecken, wie sich bestimmte Aufgaben deutlich effizienter erledigen lassen. Dieses Wissen bleibt jedoch häufig bei einzelnen Personen oder Projekten. Andere Teams beginnen später wieder bei null.
Gleichzeitig ändern sich die übrigen Erwartungen nicht. Deadlines bleiben bestehen, genauso wie Qualitätsansprüche.
Lernen wird damit zu etwas, das „auch noch“ stattfinden soll.
Kurzfristig funktioniert das oft über persönliches Engagement, langfristig ist das allerdings kein tragfähiges Modell.
Organisationen brauchen deshalb mehr als einzelne Schulungen. Sie brauchen Zeit zum Lernen, Möglichkeiten zum Austausch und Orte, an denen gute Arbeitsweisen dokumentiert und weiterentwickelt werden können.
Gerade in Verlagen und Bildungsunternehmen halte ich das für entscheidend. Welche KI-Anwendungen funktionieren im Lektorat? Welche Prüfkriterien haben sich bewährt? Welche Fehler sind bereits gemacht worden?
Wenn dieses Wissen nicht geteilt wird, bleibt KI-Einführung eine Sammlung individueller Experimente.
2. Neue Aufgaben bleiben oft unsichtbar
KI spart Zeit. Zumindest bei einzelnen Arbeitsschritten. Was aber häufig übersehen wird: Gleichzeitig entstehen neue Aufgaben: Jemand muss Ergebnisse prüfen, Standards entwickeln, Kolleginnen und Kollegen unterstützen, Unsicherheiten auffangen und Entscheidungen begründen.
Diese Aufgaben tauchen in keiner Stellenbeschreibung oder Auslastungsplanung auf und sind auch kein klassisches KPI. Und doch entscheiden sie darüber, ob KI langfristig zuverlässig genutzt werden kann.
Besonders problematisch wird es, wenn Mitarbeitende ihre KI-Nutzung lieber verschweigen, weil sie befürchten, ihre Leistung werde sonst geringer bewertet. Dann entsteht eine Kultur, in der KI zwar genutzt wird, aber niemand offen darüber spricht, wie.
Für Fürhungskräfte im mittleren Management entsteht daraus ein Dilemma. Sie sollen verantwortungsvollen KI-Einsatz fördern, werden aber weiterhin vor allem daran gemessen, dass Projekte pünktlich abgeschlossen und Ziele erreicht werden.
Diese beiden Erwartungen passen nicht immer zusammen.
3. Strategie und Alltag driften auseinander
Im Top-Management stehen meist andere Fragen im Vordergrund als in den Teams. Dort geht es um Wettbewerbsfähigkeit, Effizienz und neue Geschäftsmodelle. Im Arbeitsalltag geht es dagegen um ganz praktische Fragen.
Zwischen diesen Perspektiven entsteht leicht eine Lücke. Dann lautet die strategische Botschaft: „Wir müssen KI einsetzen.“ Im Team lautet die Antwort: „Gut. Aber wie genau?“ Häufig versucht die mittlere Führungsebene, diese Lücke selbst zu schließen. Sie entwickelt eigene Regeln, beantwortet Fragen und entscheidet von Fall zu Fall. Eine Zeit lang funktioniert das, langfristig entsteht so allerdings ein Flickenteppich unterschiedlicher Arbeitsweisen. Organisationen bauen so keine gemeinsame Kompetenz auf, sondern viele Einzellösungen.
Warum diese drei Punkte zusammengehören
Alle drei Beobachtungen haben einen gemeinsamen Nenner:
KI verändert nicht nur einzelne Aufgaben, sondern die gesamte Zusammenarbeit.
Genau deshalb reicht es nicht aus, neue Werkzeuge bereitzustellen. Organisationen müssen auch Zeit schaffen, Erwartungen klären und Verantwortung neu verteilen. Sonst entsteht genau das, was viele Führungskräfte derzeit erleben:
Die eigentliche Zusatzarbeit verschwindet nicht – sie wird lediglich unsichtbar.
Warum das für Verlage und Bildungsanbieter besonders wichtig ist
In wissensintensiven Organisationen ist Content nicht nur ein Arbeitsergebnis. Er ist das eigentliche Produkt.
Deshalb geht es bei der Einführung von KI nicht nur um Effizienz, sondern auch um Qualität, fachliche Verantwortung, Urheberschaft, Vertrauen und den langfristigen Aufbau von Kompetenz.
Wenn KI in Redaktion, Lektorat, Herstellung, Produktmanagement oder Didaktik einzieht, reicht es nicht, neue Tools bereitzustellen.
Organisationen müssen auch klären:
- Welche Aufgaben darf KI übernehmen?
- Wo ist menschliche Prüfung unverzichtbar?
- Welche Kompetenzen müssen Mitarbeitende weiterhin selbst entwickeln?
Denn Geschwindigkeit allein ist kein Erfolg.
Eine Organisation kann kurzfristig produktiver werden – und gleichzeitig langfristig Fachwissen verlieren.
Genau darin sehe ich eines der größten Risiken. Wenn Berufseinsteiger bestimmte Grundlagen nie selbst erlernen, weil KI die ersten Arbeitsschritte übernimmt, fehlt ihnen später oft die Erfahrung, um KI-Ergebnisse kritisch zu beurteilen. Wer nie gelernt hat, eine fachliche Argumentation selbst aufzubauen, erkennt schwerer, ob ein KI-generierter Text nur überzeugend klingt oder tatsächlich überzeugt. Wer nie gelernt hat, Lerninhalte didaktisch zu strukturieren, kann schlechter einschätzen, ob ein KI-Vorschlag wirklich lernwirksam ist. Wer nie gelernt hat, Quellen sorgfältig zu prüfen, bemerkt plausibel formulierte Fehler oft erst sehr spät.
KI beschleunigt Arbeit. Urteilskraft entsteht trotzdem nur durch eigene Erfahrung.
Gerade deshalb halte ich die Frage für entscheidend, welche Fähigkeiten Organisationen auch in Zukunft bewusst entwickeln wollen – selbst dann, wenn KI viele Aufgaben schneller erledigen kann.
Das mittlere Management ist nicht das Problem – sondern Teil der Lösung
Immer wieder wird darüber diskutiert, ob KI Hierarchien abbauen und Managementebenen überflüssig machen könnte. Ich halte diese Diskussion zumindest für die aktuelle Phase der Transformation für wenig hilfreich. Denn gerade das mittlere Management entscheidet darüber, ob aus strategischen Zielen funktionierende Arbeitsweisen werden. Wer diese Ebene dauerhaft überlastet, schwächt genau die Menschen, die Veränderungen im Alltag umsetzen.
Deshalb würde ich die Frage anders stellen. Nicht: Wie können wir mit KI Management reduzieren? Sondern: Wie unterstützen wir diejenigen, die neue Arbeitsweisen in den Alltag übersetzen?
Was Unternehmen jetzt tun sollten
Aus meiner Sicht ergeben sich daraus fünf Konsequenzen.
1. Zeit zum Lernen einplanen. Neue Arbeitsweisen entstehen nicht zwischen zwei Meetings. Wer erwartet, dass Teams KI “nebenbei” einführen, bekommt auch nur nebenbei entstandene Lösungen.
2. Führungskräfte gezielt unterstützen. Allgemeine KI-Schulungen reichen nicht aus. Teamleitungen und Bereichsleitungen brauchen Unterstützung dabei, Qualität zu bewerten, Teams zu begleiten und Entscheidungen nachvollziehbar zu treffen.
3. Gute Arbeitsweisen gemeinsam entwickeln. Nicht jede Abteilung sollte ihre eigenen Regeln erfinden. Organisationen brauchen gemeinsame Leitlinien – und gleichzeitig genügend Spielraum, sie an die Praxis anzupassen.
4. Unsichtbare Arbeit sichtbar machen. Prüfen, Dokumentieren, Wissen teilen oder Kolleginnen und Kollegen unterstützen kostet Zeit. Diese Arbeit entscheidet maßgeblich darüber, ob KI langfristig sinnvoll eingesetzt werden kann. Sie sollte deshalb genauso anerkannt werden wie sichtbare Projektergebnisse.
5. Den Dialog zwischen Strategie und Praxis stärken. Die besten KI-Strategien helfen wenig, wenn sie den Arbeitsalltag der Teams nicht berücksichtigen. Deshalb braucht es einen kontinuierlichen Austausch zwischen den Menschen, die Ziele formulieren, und denen, die sie umsetzen.
