Eine Maschine unter Stress: Was zwei KI-Studien teilen – und warum die dritte widerspricht
Drei Studien, drei Themen – die Angst vor Ersetzbarkeit, die Müdigkeit vom ständigen Lernen, das Dilemma zwischen Automatisieren und Zusammenarbeiten. Zwei laufen auf demselben psychologischen Motor. Die dritte greift bewusst daneben. Gerade der Unterschied zeigt, wo das gängige Erklärmodell endet.
Ich habe in einer kleinen Reihe drei Studien über KI und Arbeit gelesen und besprochen. Eine über emotionale Erschöpfung, eine über Reskilling-Müdigkeit, eine über das Verhältnis von Automation und Zusammenarbeit. Drei Fragen, drei Methoden, drei Qualitäten. Bei zweien dachte ich denselben Gedanken – darunter lag dieselbe Mechanik, und beide benennen sie sogar mit denselben Worten. Die dritte tat das nicht. Sie erklärt ihr Thema mit einer ganz anderen Theorie. Anfangs störte mich das. Dann merkte ich: Genau darin liegt der interessantere Punkt.
Das lohnt einen eigenen Text – nicht weil es eine vierte Studie gäbe, sondern weil das gemeinsame Muster und sein Ausreißer zusammen mehr erklären als jede Studie für sich.
Zwei Theorien, die man kennen sollte
Hinter dem Muster stehen zwei Modelle aus der Arbeitspsychologie. Beide sind seit Jahrzehnten Standard, beide lassen sich in einem Satz sagen.
Das Job-Demands-Resources-Modell (Demerouti u.a., 2001): Jede Arbeit hat Anforderungen, die Energie kosten, und Ressourcen, die Energie geben oder helfen, Ziele zu erreichen. Solange beides im Gleichgewicht ist, geht es gut. Übersteigen die Anforderungen dauerhaft die Ressourcen, entsteht Strain – Erschöpfung, Rückzug, am Ende Burnout. Kein Drama, eine Bilanz: Was rausgeht, muss reinkommen.
Die Conservation-of-Resources-Theorie (Hobfoll, 1989) legt eine zweite Schicht darüber: Menschen sammeln und schützen, was ihnen wertvoll ist – Zeit, Können, Sicherheit, Status. Der Verlust solcher Ressourcen erzeugt Stress, und schon die Drohung eines Verlusts reicht. Wer wenig hat, verliert leichter und handelt defensiv, um den Rest zu sichern. So entstehen Abwärtsspiralen: Verlust führt zu Verhalten, das weiteren Verlust wahrscheinlicher macht.
Zwei einfache Ideen. Anforderungen gegen Ressourcen. Und: Verlust tut weh, drohender Verlust auch. Mit diesen beiden Linsen lassen sich alle drei Studien lesen.
Dasselbe Muster, zweimal
In der Erschöpfungsstudie ist die KI die Anforderung – genauer: das Gefühl, ersetzbar zu sein. Verloren gehen Ressourcen: erst die Jobsicherheit, dann die Ruhe für die Familie, in die der Arbeitsstress drückt. Anforderung rauf, Ressourcen runter, am Ende emotionale Erschöpfung. Die Autoren nennen beide Theorien ausdrücklich. Das Muster ist hier nicht meine Deutung, es ist ihr Gerüst.
Im Reskilling-Paper ist das ständige Dazulernen die Anforderung – eine, die nie aufhört. Die Ressource wäre gefestigtes Können, das Sicherheit gibt. Aber das Können veraltet, bevor es sich festigt. Also wird investiert, ohne dass etwas Bleibendes entsteht: die klassische Verlustspirale der COR-Theorie. Lernen kippt von Wachstum zu Abwehr. Auch dieses Paper nennt JD-R und COR beim Namen.
Zwei Themen, dieselbe Bilanz. Anforderungen steigen, Ressourcen erodieren, am Ende steht Strain. Bis hierhin trägt der Motor.
Und die dritte? Sieht es ganz anders
Das Paradox-Paper von Raisch und Krakowski benutzt JD-R und COR nicht – und das ist kein Zufall. Es argumentiert mit Paradox-Theorie, einer ganz anderen Tradition. Man könnte das Deskilling, das die beiden beschreiben, in Ressourcensprache übersetzen: verlorenes Können, eine Spirale daraus. Aber die Übersetzung verdeckt mehr, als sie zeigt – denn das Paper behauptet etwas, das der Ressourcen-Logik widerspricht.
Im JD-R/COR-Bild ist Stress eine Bilanz, die man wieder ins Gleichgewicht bringen kann: mehr Ressourcen rein, weniger Anforderungen, dann löst sich die Spannung. Raisch und Krakowski sagen das Gegenteil. Die Spannung zwischen Automatisieren und Zusammenarbeiten löst sich nie auf. Man kann sie nicht wegbalancieren. Sie kehrt wieder, weil die Pole einander erzeugen – wer automatisiert, schafft neuen Bedarf an Zusammenarbeit, und umgekehrt. Die Aufgabe ist nicht, das Gleichgewicht herzustellen, sondern die Spannung auszuhalten und bewusst zu steuern.
Ein anderer Gedanke, nicht derselbe in neuen Worten. Das Ressourcen-Modell fragt: Wie fülle ich auf, was leer wird? Die Paradox-Theorie fragt: Wie lebe ich mit einem Widerspruch, der nicht verschwindet? Beide Fragen sind richtig. Aber nicht dieselbe.
Wo ich vorsichtig werde
Jetzt der unbequeme Teil. Dass zwei Studien dieselbe Theorie wählen, macht nichts doppelt bewiesen.
JD-R und COR sind der Standard-Werkzeugkasten dieser Forschung. Fast jede Arbeit über Arbeitsstress greift danach – nicht unbedingt, weil es im Einzelfall am besten erklärt, sondern weil es am nächsten liegt. Eine Theorie, die sich auf Erschöpfung, Lernen und Automatisierung legen lässt, ist flexibel. Und Flexibilität hat einen Preis: Was fast alles erklären kann, erklärt selten etwas Spezifisches präzise. Das Modell sagt mir, dass Anforderungen und Ressourcen eine Rolle spielen – aber das ist fast eine Definition von Arbeit, keine überraschende Einsicht.
Man sollte JD-R und COR deshalb nehmen als das, was sie sind: ein Rahmen, der ordnet, kein Beweis, der zeigt. Sie sagen, wo man hinschauen soll. Sie sagen nicht, dass die einzelnen Befunde stimmen – die stehen und fallen mit ihren eigenen Daten, und die sind, wie besprochen, sehr unterschiedlich belastbar.
Warum das Muster trotzdem nützt
Als Ordnungsrahmen ist die gemeinsame Mechanik wertvoll. Sie zeigt, wo der Hebel sitzt – und wo nicht.
Wenn KI-Stress in allen drei Fällen daraus entsteht, dass Anforderungen steigen, Ressourcen erodieren und Menschen die Kontrolle verlieren, dann sind zwei verbreitete Antworten falsch. „Weniger KI" ist keine – die Anforderung kommt ohnehin. Und „mehr Resilienz beim Einzelnen" ist auch keine – sie verlagert ein strukturelles Problem auf die Schultern derer, die es am wenigsten steuern. Genau das kritisiert das Reskilling-Paper zu Recht: Müdigkeit ist kein persönliches Versagen.
Der echte Hebel liegt bei den Ressourcen und bei der Kontrolle. Und hier laufen die Einzelschlüsse erstaunlich nah zusammen – obwohl sie aus verschiedenen Theorien kommen. Klarheit über KI-Pläne nimmt der Bedrohung den Treibstoff und schützt die Ressource Sicherheit (Studie 1). Geschützte Lernzeit und ein gestaffeltes Tempo verhindern, dass die Anforderung „lernen" alles auffrisst, und schützen die Ressource Zeit (Studie 2). Die Verantwortung für das Ganze beim Menschen zu lassen hält die Fähigkeiten lebendig, statt sie wegzuautomatisieren (Studie 3) – nur folgt dieser Schluss nicht aus einer Bilanz, sondern aus der Einsicht, dass man die Spannung steuern muss, statt sie aufzulösen.
Dass zwei verschiedene theoretische Wege zu vereinbaren Maßnahmen führen, ist kein Beweis, aber ein nützliches Signal: nicht die Technik bremsen, sondern den Menschen schützen, an dem sie zehrt.
Was bleibt
Die spannendste Erkenntnis aus drei Studien steht in keiner von ihnen. Sie liegt darunter. KI fühlt sich für die Betroffenen nicht wie ein Technikthema an, sondern wie eine Bilanz, die nicht mehr aufgeht – zu viele Anforderungen, zu wenig, woran man sich festhalten kann. Wer KI im Arbeitsalltag begleitet, sollte aufhören, sie als Software-Rollout zu behandeln, und anfangen, sie als das zu führen, was sie psychologisch ist: ein Eingriff in die Ressourcen von Menschen. Die Theorie dahinter ist alt. Der Anlass, sie ernst zu nehmen, ist neu.
Quellen
- Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512.
- Hobfoll, S. E. (1989). Conservation of resources: A new attempt at conceptualizing stress. American Psychologist, 44(3), 513–524.
- Zheng, J., & Zhang, T. (2025). Association Between AI Awareness and Emotional Exhaustion. Behavioral Sciences, 15(4), 401. https://doi.org/10.3390/bs15040401
- Biju, T. E., Ambady, A., & K V, T. (2026). AI-driven skill volatility and the emergence of re-skilling fatigue. Frontiers in Artificial Intelligence, 9, 1785979. https://doi.org/10.3389/frai.2026.1785979
- 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? · Eine Maschine unter Stress (dieser Text).
Automatisieren oder zusammenarbeiten? Die falsche Frage
„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.
Nie fertig gelernt: Wenn Weiterbildung zur Dauerlast wird
„Lern einfach dazu" gilt als die Antwort auf KI. Ein Paper von 2026 nennt den Preis dieser Antwort: Reskilling-Müdigkeit. Der Begriff trifft ein echtes Gefühl. Nur fehlt dem Paper, was es selbst zugibt – jeder Beleg. Warum die Idee trotzdem taugt.
Alle paar Wochen ein neues Modell. Eine Prompt-Technik, die die letzte überholt. GEO, das es vor zwei Jahren kaum gab und das ich heute beherrschen muss, weil es sonst jemand anderes tut. Ich lerne gern, mein Beruf lebt davon. Aber ich kenne auch das andere Gefühl: nie fertig zu sein. Kaum sitzt etwas, ist es veraltet.
Ein Paper aus dem Mai 2026 gibt diesem Gefühl einen Namen: reskilling fatigue, Reskilling-Müdigkeit. Es behauptet etwas, das ich für richtig halte – und nicht beweisen kann. Diese Spannung lohnt den zweiten Blick.
Was das Paper behauptet
Drei Forschende aus Indien beschreiben ein Problem, das im KI-Optimismus untergeht. Weiterbildung gilt überall als Lösung für den KI-Wandel. Über ihre Kosten redet kaum jemand.
Besonders betroffen sind laut Paper die Established Knowledge Professionals – Fachleute in der Berufsmitte, zehn bis zwanzig Jahre Erfahrung, deren Wert auf angesammeltem Wissen und Urteil ruht. Genau diesen Wert entwertet KI, schneller als neues Wissen sich festigt.
Daraus wird eine Schleife. KI verändert die Arbeit, Kompetenzen veralten, man lernt nach, das Neue veraltet wieder, bevor es zur echten Meisterschaft reift. Lernen kippt von einer Quelle des Wachstums zu einer Abwehrbewegung. Man lernt nicht mehr, um besser zu werden, sondern um nicht unterzugehen. Und je öfter sich die Schleife dreht, desto weniger bringt jede Runde – bis Erschöpfung und Unsicherheit bleiben.
Der wichtigste Satz: Reskilling-Müdigkeit sei kein persönliches Versagen, sondern ein systemisches Ergebnis davon, wie KI-Arbeit gestaltet wird. Nicht „du lernst zu langsam", sondern „die Organisation setzt das Tempo".
Wie aktuell ist das?
Aktuell – veröffentlicht im Mai 2026, also noch nah dran. Das Thema ist ohnehin nicht abstrahiert von der Gegenwart, es ist die Gegenwart.
Wie glaubwürdig ist das?
Und hier muss man deutlich sein: Das Paper liefert keine Daten. Kein einziges.
Es ist ein Perspective-Artikel, ein Meinungs- und Konzeptbeitrag. Die Autoren schreiben es offen hin: statt empirischer Daten kombinieren und deuten sie vorhandene Literatur. Sie stützen sich auf zwei etablierte Theorien – dasselbe JD-R- und COR-Modell wie die Erschöpfungsforschung – und bauen daraus ein Gedankenmodell. Mehr nicht.
Das hat Folgen, die man nicht übersehen darf.
Wir wissen nicht, wie verbreitet Reskilling-Müdigkeit ist. Niemand wurde befragt, niemand gemessen.
Wir wissen nicht, ob sie wirklich etwas Eigenes ist. Die Autoren grenzen sie von Burnout und Technostress ab: Sie entstehe nicht aus Arbeitslast oder Technik-Bedienung, sondern aus der ständigen Instabilität des Wissens selbst. Plausibel – aber behauptet, nicht getestet. Ob hier nur ein neues Etikett auf ein bekanntes Phänomen kommt, bleibt offen.
Auch das Umfeld verlangt Vorsicht. Frontiers ist Open Access mit schnellem Begutachtungsprozess, Perspective-Artikel durchlaufen eine leichtere Prüfung als empirische Studien. Und die Autoren kommen aus der Betriebswirtschaft, nicht aus der Arbeitspsychologie.
Kurz: eine gut begründete Hypothese, kein Befund.
Warum es trotzdem nützt
Ein Konzept muss nicht bewiesen sein, um zu helfen. Manchmal reicht es, ein Gefühl präzise zu benennen, das vorher namenlos im Raum stand. „Reskilling-Müdigkeit" gibt einem Phänomen Sprache, das viele kennen und kaum jemand ausspricht – weil ständiges Lernen als Tugend gilt und Müdigkeit darüber wie Undank klingt.
Der zweite Wert liegt in der Schuldfrage. Wenn das Tempo das Problem ist, ist „streng dich mehr an" die falsche Antwort. Das Paper setzt deshalb bei der Organisation an, nicht beim Einzelnen: geschützte Lernzeit, fest im Plan. Höchstens ein bis zwei größere neue Tools pro Quartal, mit Ruhephase dazwischen. Drei bis fünf Prioritäts-Kompetenzen pro Jahr statt alles auf einmal. Ein gestaffeltes Tempo statt Dauerlauf.
Ob diese Maßnahmen wirken, ist – konsequenterweise – ebenfalls nicht belegt. Aber sie sind konkret, und sie zeigen in die richtige Richtung: weg von der Idee, dass jeder allein hinterherrennen muss.
Was bleibt
Ich nehme aus diesem Paper kein Wissen mit, sondern eine Linse. Wenn ich das nächste Mal das Gefühl habe, nie fertig zu lernen, frage ich nicht mehr nur: Bin ich zu langsam? Sondern auch: Wer bestimmt hier das Tempo – und lässt es sich durchhalten? Keine bewiesene Antwort. Aber die bessere Frage.
Quelle
Biju, T. E., Ambady, A., & K V, T. (2026). AI-driven skill volatility and the emergence of re-skilling fatigue: the human cost of perpetual learning. Frontiers in Artificial Intelligence, 9, 1785979. https://doi.org/10.3389/frai.2026.1785979
Teil einer Reihe über KI und Arbeit: Die Angst, ersetzt zu werden · Nie fertig gelernt (dieser Text) · Automatisieren oder zusammenarbeiten? · Eine Maschine unter Stress.
Die Angst, ersetzt zu werden – und was sie mit uns macht
Ich steuere jeden Tag KI – und fürchte sie trotzdem manchmal. Eine Studie von 2025 zeigt, warum dieses Gefühl allein schon erschöpft, lange bevor die Maschine irgendwen ersetzt. Der Mechanismus überzeugt. Die Beweise sind dünner als die dick aufgetragenen Ergebnisse. Eine Einordnung.
Ich arbeite jeden Tag mit KI. Ich steuere sie, ich korrigiere sie, ich lebe davon, dass sie Texte schneller ausspuckt, als ich sie früher getippt habe. Und trotzdem sitzt da ein Gedanke, den ich nicht loswerde: Was, wenn bald auch das Steuern die Maschine übernimmt?
Das Unbehagen verschwindet nicht, weil ich die Technik beherrsche. Es sitzt tiefer.
Die Forschung hat dafür einen Namen: AI awareness – wie stark jemand glaubt, sein Job lasse sich durch KI ersetzen. Kein Begriff für die Bedienung der Technik, sondern für eine Erwartung im Kopf. Eine Studie aus dem Frühjahr 2025 fragt, was diese Erwartung mit Menschen macht. Die Antwort lohnt sich – und die Methode auch.
Was die Studie behauptet
Zwei Forscher der Macao Polytechnic University haben 303 Beschäftigte aus chinesischen Privatunternehmen befragt. Ihr Befund in einem Satz: Je stärker jemand sich für ersetzbar hält, desto erschöpfter ist er.
Interessant ist der Weg dazwischen. Die Autoren zeichnen eine Kette nach. Das Gefühl der Ersetzbarkeit erhöht die Jobunsicherheit. Die Unsicherheit drückt die Arbeit stärker ins Privatleben. Und beides zusammen zehrt an den Reserven, aus denen Menschen ihre emotionale Kraft ziehen.
Der eigentliche Punkt steckt darin: Die Maschine muss niemanden entlassen, um Schaden anzurichten. Es reicht, dass Menschen mit ihrer Ablösung rechnen.
Wie aktuell ist das?
Nah dran. Die Daten stammen aus August 2024, veröffentlicht wurde im März 2025. Für begutachtete Forschung, die der Gegenwart immer hinterherläuft, ist das wenig Abstand. Und das Thema trifft den Moment ohnehin.
Wie glaubwürdig ist das?
Hier lohnt der zweite Blick – gerade weil die Studie so selbstsicher klingt.
Drei Dinge sprechen dafür. Die Theorie dahinter ist etabliert. Das Job-Demands-Resources-Modell und die Conservation-of-Resources-Theorie erklären Arbeitsstress seit Jahrzehnten: Anforderungen kosten Kraft, Ressourcen wie Sicherheit geben sie zurück, und schon die Drohung, eine Ressource zu verlieren, setzt unter Druck. Die Messskalen sind erprobt. Und die Antworten sind statistisch konsistent, alle Reliabilitätswerte liegen über 0,8.
Vier Dinge sprechen dagegen – einige benennen die Autoren selbst.
Erstens: eine Momentaufnahme. Alles wurde zu einem Zeitpunkt erhoben. Das zeigt einen Zusammenhang, keinen Pfeil. Die Erschöpfung könnte die Wahrnehmung genauso gut färben – wer ausgelaugt ist, sieht in der KI eher eine Bedrohung. Die Studie behauptet Richtung, zeigen kann sie nur Korrelation. Das räumen die Autoren im Kleingedruckten ein.
Zweitens: alle Werte aus einem Fragebogen, ausgefüllt von denselben Personen. Das lädt zum Common-Method-Bias ein – Zusammenhänge wirken größer, weil dieselbe Person dieselbe Stimmung in alle Antworten legt. Die hohen Korrelationen von 0,65 bis 0,73 passen zum Verdacht. Die Autoren testen dagegen, entkräften ihn aber nicht ganz.
Drittens: die Stichprobe ist klein und einseitig. 303 Personen, nur China, nur Privatwirtschaft. Ob das für andere Kulturen oder Branchen gilt, bleibt offen.
Viertens – die ehrlichste Zeile der Arbeit – schreiben die Autoren selbst: als exploratives Ergebnis mit begrenzter Stichprobe reichten die Befunde womöglich nicht, um starke Schlüsse zu ziehen.
Dem ist wenig hinzuzufügen. Das ist kein Beweis. Das ist ein Hinweis.
Was bleibt
Trotz der dünnen Beweislage zeigt die Studie auf etwas Reales. Die Angst vor Ersetzbarkeit ist eine eigene Last – unabhängig davon, ob die KI den Job am Ende wirklich nimmt. Und sie bleibt nicht im Büro. Sie geht mit nach Hause.
Für alle, die in Organisationen über KI reden, steckt darin die Lehre. Wenn das Gefühl der Bedrohung die Erschöpfung treibt, ist Kommunikation kein Beiwerk, sondern Hebel. Schweigen über KI-Pläne füllt den Raum mit der schlimmsten Annahme. Klarheit nimmt der Unsicherheit den Treibstoff: was kommt, was nicht, was es für meine Stelle heißt. Keine beruhigenden Floskeln. Konkrete Auskunft.
Ich merke das an mir selbst. Mein Unbehagen wird nicht kleiner, wenn jemand sagt „keine Sorge". Es wird kleiner, wenn ich weiß, woran ich bin. Genau diesen Punkt trifft die Studie – bei aller methodischen Vorsicht – richtig.
Quelle
Zheng, J., & Zhang, T. (2025). Association Between AI Awareness and Emotional Exhaustion: The Serial Mediation of Job Insecurity and Work Interference with Family. Behavioral Sciences, 15(4), 401. https://doi.org/10.3390/bs15040401
Teil einer Reihe über KI und Arbeit: Die Angst, ersetzt zu werden (dieser Text) · Nie fertig gelernt · Automatisieren oder zusammenarbeiten? · Eine Maschine unter Stress.