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).