„Don’t automate, augment“ – lass die Maschine den Menschen ergänzen, nicht ersetzen. Der Rat klingt klug und menschlich. Ein vielzitiertes Paper zeigt, warum er zu kurz greift. Eine Einordnung – samt der unbequemen Frage, was ein Text von 2021 heute über KI noch wert ist.
Jeden Tag treffe ich dieselbe Entscheidung, oft ohne sie zu bemerken. Lasse ich die KI eine Aufgabe einfach erledigen – einen Entwurf, eine Recherche, eine Gliederung? Oder setze ich mich daneben, steuere eng, korrigiere Schritt für Schritt? Mein ganzes Angebot beruht auf der zweiten Haltung: steuern, nicht tippen. Der Mensch bleibt drin, die Maschine ergänzt ihn. Genau das, was die populäre KI-Beratung empfiehlt.
Ein Paper von 2021 hat mir gezeigt, dass diese Haltung – so sympathisch sie ist – nur die halbe Wahrheit erfasst. Und weil es aus einer der angesehensten Zeitschriften der Managementforschung stammt, lohnt das genaue Hinhören.
Was das Paper behauptet
Sebastian Raisch (Universität Genf) und Sebastian Krakowski (Stockholm School of Economics) nehmen drei einflussreiche Wirtschaftsbücher auseinander, die alle dasselbe raten: Unternehmen sollen auf Augmentation setzen – enge Mensch-Maschine-Zusammenarbeit – statt auf Automation, das vollständige Übergeben einer Aufgabe an die Maschine. Augmentation, so das Versprechen, bringe den nachhaltigen Vorteil. „Don’t automate, augment.“
Raisch und Krakowski widersprechen. Nicht der Menschlichkeit des Rats, seiner Logik. Ihr Kernargument: Automation und Augmentation lassen sich gar nicht sauber trennen. Sie hängen voneinander ab – über die Zeit und über verschiedene Aufgaben hinweg.
Das klingt abstrakt, ist aber konkret. Wer eine komplexe Aufgabe zuerst eng mit der Maschine bearbeitet, versteht sie mit der Zeit so gut, dass er sie später automatisieren kann. Und wer automatisiert, schiebt die menschliche Zusammenarbeit oft nur in die Aufgabe davor oder danach. Keine Gegensätze, zwischen denen man einmal wählt. Sie erzeugen einander.
Daraus folgt die eigentliche Warnung. Wer einseitig automatisiert, spart kurzfristig Kosten – verlernt aber die Fähigkeiten, verliert die Expert:innen und landet im Wettlauf zur austauschbaren Billigarbeit. Wer einseitig auf Augmentation setzt, verbrennt Ressourcen in teuren, oft scheiternden Lernschleifen und verdoppelt gescheiterte Projekte aus Trotz. Beide Extreme drehen sich in eine Abwärtsspirale.
Der Ausweg ist kein Mittelwert, sondern das bewusste Managen der Spannung: unterscheiden, wann was sinnvoll ist – und über allem die Verantwortung für den ganzen Prozess beim Menschen behalten. Wer verantwortlich bleibt, prüft genauer, zieht mehr Quellen heran, denkt komplexer. Genau das verhindert, dass man der Maschine blind folgt.
Wie glaubwürdig ist das?
Von den Quellen, die ich hier bespreche, ist diese die stärkste. Das Academy of Management Review ist eine Spitzenzeitschrift mit harter Begutachtung, das Paper ist breit zitiert und hat die Debatte geprägt. Die Theorie dahinter – Paradox-Theorie – ist etabliert und sauber angewandt.
Zwei Einschränkungen bleiben. Es ist ein konzeptioneller Aufsatz, keine empirische Studie. Die Beispiele – JP Morgan, Symrise, UBS, Unilever – sind anschaulich, aber aus zweiter Hand zusammengetragen, nicht selbst erhoben. Das Paper entwickelt eine Theorie; es testet sie nicht.
Wie aktuell ist das?
Und hier die unbequeme Frage: Das Paper ist von 2021. Geschrieben, bevor es ChatGPT gab. Die ganze Welle der generativen KI – die Werkzeuge, mit denen ich heute täglich arbeite – kommt darin nicht vor. Die Beispiele stammen aus einer Zeit, in der KI vor allem hieß: Muster in Daten erkennen, Bewerbungen vorsortieren, Düfte kombinieren.
Man könnte das als Schwäche abtun. Ich halte das Gegenteil für richtiger. Der Kern des Arguments hat die Zeit nicht nur überstanden, er ist schärfer geworden. Denn generative KI verschärft genau die Spannung, die das Paper beschreibt. Die Versuchung, ganze Aufgaben abzugeben, ist heute viel größer als 2021 – ein fertiger Text ist einen Prompt entfernt. Und damit wächst die Gefahr, die Raisch und Krakowski benennen: dass Menschen verlernen, was sie abgeben, und niemand mehr das Ganze verantwortet.
Ein Text, dessen Beispiele veraltet sind, dessen Diagnose aber schärfer zutrifft als beim Erscheinen – das ist selten. Hier ist es der Fall.
Was bleibt
„Augment, don’t automate“ ist als Slogan zu bequem. Er tut so, als gäbe es eine saubere Seite (Zusammenarbeit) und eine fragwürdige (Ersetzen). Das Paper zeigt: Die Kunst liegt nicht darin, sich für eine Seite zu entscheiden, sondern zu wissen, wann man zwischen beiden wechselt – und dabei verantwortlich zu bleiben.
Für meine eigene Arbeit ist das die genauere Beschreibung dessen, was ich tue. Mein Wert liegt nicht darin, die Maschine aus Prinzip kurz zu halten. Er liegt im Urteil, wann ich sie laufen lasse und wann ich eingreife – und darin, dass am Ende ein Mensch für das Ergebnis geradesteht. Nicht Automation oder Zusammenarbeit. Beides, bewusst gesteuert.
Quelle
Raisch, S., & Krakowski, S. (2021). Artificial Intelligence and Management: The Automation–Augmentation Paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072
Teil einer Reihe über KI und Arbeit: Die Angst, ersetzt zu werden · Nie fertig gelernt · Automatisieren oder zusammenarbeiten? (dieser Text) · Eine Maschine unter Stress.