zuletzt aktualisiert 25. November 2025
Eine provokante theoretische Studie fordert gängige Annahmen über KI heraus und legt nahe, dass der Weg in die Zukunft der Arbeit komplexer ist als gedacht. Für HR-Führungskräfte ergibt sich daraus eine neue strategische Agenda.
Die Einführung generativer künstlicher Intelligenz (GenAI) wird oft mit einer klaren Vision verbunden: Prozesse werden automatisiert, die Produktivität steigt, und Organisationsstrukturen werden schlanker und agiler. Insbesondere das mittlere Management scheint durch KI-gestützte Systeme ersetzbar zu werden. Doch diese lineare Fortschrittserzählung könnte die Realität zu stark vereinfachen.
Eine neue theoretische Studie der University of Connecticut und der Fudan University („Generative AI and Organizational Structure in the Knowledge Economy“)¹ dient als Gedankenmodell, um diese Annahmen zu hinterfragen. Basierend auf einem ökonomischen Modell untersucht sie die potenziellen, oft paradoxen Dynamiken, die GenAI in wissensbasierten Hierarchien auslösen kann. Die Ergebnisse sind keine empirisch bewiesene Vorhersage, sondern eine fundierte Simulation, die Führungskräfte dazu anregen sollte, über die tiefgreifenden und unerwarteten Folgen für die Organisationsentwicklung nachzudenken.
Inhaltsverzeichnis
- Der „Deskilling-Effekt“: Eine Neubewertung von Expertise
- Das Manager-Paradox: Warum der Bedarf an Führung steigen könnte
- Human-in-the-Loop: Vom Schlagwort zur strategischen Notwendigkeit
- Von der Theorie zur Praxis: Eine konkrete HR-Agenda
- Einordnung und Grenzen des Modells: Ein Kompass, keine Landkarte
- Langzeitperspektive: Der mögliche Wandel zum „Upskilling“
- Die strategische Agenda für HR
- FAQs
Der „Deskilling-Effekt“: Eine Neubewertung von Expertise
Das Modell der Forscher geht davon aus, dass GenAI als „Fähigkeitsverstärker“ fungiert. Dies könnte Unternehmen dazu verleiten, strategisch auf einen „Deskilling-Effekt“ zu setzen: Wenn die KI anspruchsvolle Aufgaben unterstützt, sinkt der Bedarf an tiefem, formalisiertem Fachwissen bei den Mitarbeitern. Es wird möglich, Personal mit geringeren Qualifikationen für komplexere Tätigkeiten einzusetzen, was potenziell die Lohnkosten senkt.
Was das für die HR-Abteilung bedeutet:
- Kompetenzprofile grundlegend überdenken: Die Fähigkeit zur effektiven Interaktion mit KI wird zur Schlüsselkompetenz. Gefragt sind nicht mehr nur Wissensspeicher, sondern Wissensmanager, die KI-Ergebnisse kritisch hinterfragen und validieren können.
- Fokus auf Meta-Skills: Kritisches Denken, Problemlösungskompetenz und Lernagilität rücken ins Zentrum. HR steht vor der Aufgabe, diese Fähigkeiten im Recruiting zu identifizieren und in der Personalentwicklung gezielt zu fördern.
Das Manager-Paradox: Warum der Bedarf an Führung steigen könnte
Hier liegt die provokanteste These der Studie: Entgegen der Erwartung flacherer Hierarchien könnte der Bedarf an Managern steigen. Nach der Logik des Modells ist dies eine direkte Folge des Deskilling-Effekts: Eine Belegschaft, die sich stark auf KI verlässt, benötigt bei Problemen, welche die Fähigkeiten von Mitarbeiter und KI übersteigen, eine umso kompetentere Eskalationsinstanz. Die Span of Control der Manager könnte sich dadurch verengen, da mehr Zeit für direkte Unterstützung und Qualitätssicherung aufgewendet werden muss.
Span of Control bezeichnet die Leitungsspanne, also die Anzahl der Mitarbeitenden, die direkt einer Führungskraft unterstellt sind. Ein größerer Span of Control bedeutet flachere Hierarchien (eine Führungskraft betreut viele Mitarbeitende), ein kleinerer Span of Control weist auf engere Betreuung und mehr Hierarchieebenen hin.
Was das für die HR-Abteilung bedeutet:
- Aktives Organisationsdesign: HR sollte die Entwicklung der Organisationsstruktur genau beobachten und gestalten, anstatt eine automatische Verschlankung anzunehmen.
- Führungskräfteentwicklung anpassen: Die Rolle des Managers wandelt sich. Gefragt sind weniger Fachexperten, die jede Antwort kennen, sondern Coaches, die Mensch-Maschine-Teams orchestrieren und die Qualität der hybriden Arbeitsprozesse sicherstellen.
Human-in-the-Loop: Vom Schlagwort zur strategischen Notwendigkeit
Um das Risiko von KI-Fehlern („Halluzinationen“) zu managen, wird die menschliche Überprüfung, der „Human-in-the-Loop“ (HITL), zu einem kritischen Erfolgsfaktor. Dieser Mechanismus erhöht nicht nur die Zuverlässigkeit, sondern hat auch organisatorische Konsequenzen.
Was das für die HR-Abteilung bedeutet:
- Neue Rollen schaffen und bewerten: Die Aufgabe des „KI-Validators“ oder „Process & AI Quality Managers“ muss formalisiert werden. HR muss definieren, welche Kompetenzen hierfür erforderlich sind und wie diese neue Verantwortung in der Gehaltsstruktur abgebildet wird.
Praxisbeispiel: Die Rolle des „Process & AI Quality Managers“
Eine solche Rolle könnte folgende Aufgaben und Kompetenzen umfassen:
- Aufgaben: Definition von KI-Einsatzfeldern, Stichprobenartige Prüfung von KI-Outputs, Management von Fehler-Eskalationsprozessen, Training der Mitarbeiter im Umgang mit der KI.
- Kompetenzen: Tiefes Verständnis der Geschäftsprozesse, ausgeprägtes Risikobewusstsein, grundlegende Kenntnisse im Prompt Engineering, exzellente Kommunikationsfähigkeiten, um zwischen Fachbereichen und IT zu vermitteln.
Von der Theorie zur Praxis: Eine konkrete HR-Agenda
Die Erkenntnisse der Studie lassen sich in vier direkte Handlungsfelder für die Personalabteilung übersetzen:
1. Rollendesign & Personalgewinnung neu justieren
Stellenbeschreibungen müssen präzise KI-Interaktionen und klare Validierungszuständigkeiten definieren. Dabei sollten Eskalationspfade, idealerweise nach Risikoklassen gestaffelt, klar dokumentiert sein. Auch die Auswahlkriterien im Recruiting müssen angepasst werden: Die erforderliche Mindestexpertise ist so zu definieren, dass die Validierungskosten wirtschaftlich bleiben, insbesondere in Szenarien mit hoher KI-Fehleranfälligkeit.
2. Gestaffelte Learning-Programme aufbauen
Um diese neuen Rollen zu besetzen, bedarf es strukturierter Learning-Programme, die sich in drei Stufen staffeln lassen:
- Basisebene: Vermittlung von Kernkompetenzen wie KI-Bedienung, effektives Prompting und grundlegende Fehlererkennung.
- Fortgeschrittene Ebene: Fokus auf domänenspezifische Validierung, Einhaltung von Evidenzstandards und Audit-Fähigkeiten.
- Expertenebene: Vertiefung in Architekturfragen, die strategische Auswahl geeigneter KI-Tools und der Aufbau von Risikokontrollsystemen.
3. Vergütungssysteme neu kalibrieren
Die Vergütungssysteme sollten stärker kompetenzbasiert ausgerichtet werden. Gehaltsbänder, also die Vergütungsspannen müssen künftig Differenziale für nachgewiesene Validierungs- und Fachexpertise im Umgang mit KI berücksichtigen. Außerdem könnten Anreizsysteme direkt an Qualitätsmetriken gekoppelt werden, beispielsweise an die Reduktion von Fehlerraten nach der Validierung oder die Effizienz von Mensch-Maschine-Workflows.
Einordnung und Grenzen des Modells: Ein Kompass, keine Landkarte
Es ist wichtig zu betonen, dass es sich hier um die Ergebnisse eines theoretischen Modells handelt. Die Realität wird von einer Vielzahl weiterer Faktoren beeinflusst: Unternehmenskultur, branchenspezifische Anforderungen, die spezifische Art der eingesetzten KI und die gesetzlichen Rahmenbedingungen spielen eine ebenso große Rolle.
Empirische Studien aus der Praxis zeichnen bisher ein gemischtes Bild und die langfristigen Effekte sind noch nicht absehbar. Der Wert dieses Gedankenmodells liegt daher nicht in seiner prognostischen Genauigkeit, sondern darin, dass es HR-Führungskräfte befähigt, die richtigen „Was-wäre-wenn“-Fragen zu stellen und sich auf verschiedene Szenarien vorzubereiten.
Langzeitperspektive: Der mögliche Wandel zum „Upskilling“
Das Modell skizziert auch eine mögliche langfristige Entwicklung: Sobald die Produktivität durch KI ein sehr hohes Niveau erreicht, werden die Kosten einzelner KI-Fehler untragbar. An diesem Punkt könnte sich der Trend umkehren und zu einem gezielten „Upskilling“ führen. Unternehmen würden dann wieder verstärkt in hochqualifizierte Experten investieren, die die verbleibenden Schwächen der KI kompensieren können. Diese Vision erinnert an bekannte Konzepte der „New Work“-Bewegung. Sie nähert sich dem „Centauren-Modell“, in dem die Synergie aus menschlicher Expertise und künstlicher Intelligenz unübertroffen ist, und spiegelt Elemente selbstorganisierter „Teal Organizations“ wider, in denen starre Hierarchien durch agile Expertennetzwerke ersetzt werden.
Die strategische Agenda für HR
Die Studie entwirft kein Schreckensszenario, sondern ein komplexes Bild voller strategischer Herausforderungen und Chancen. Sie zeigt, dass eine passive, abwartende Haltung gegenüber KI für die Personalabteilung keine Option ist. Die strategische Agenda für HR könnte auf Grund dessen folgende Punkte umfassen:
- Szenario-Planung: Entwickeln Sie verschiedene Szenarien für die Entwicklung Ihrer Organisationsstruktur, anstatt von einer einzigen Zukunft auszugehen.
- Dynamische Kompetenzstrategie: Bauen Sie ein System für kontinuierliches Lernen auf, das flexibel auf neue Anforderungen wie KI-Validierung oder Prompt-Fähigkeiten reagieren kann.
- Neudefinition von Führung: Beginnen Sie schon heute damit, Ihre Führungskräfte auf eine Rolle als Coaches und Qualitätsmanager in hybriden Teams vorzubereiten.
- Aktive Gestaltung der Transformation: Positionieren Sie HR als den zentralen Architekten des Wandels, der das Zusammenspiel von Mensch, Maschine und Organisationsstruktur aktiv moderiert.
Die Frage ist nicht mehr, ob KI die Organisation verändert, sondern wer diesen Wandel gestaltet. Modelle wie dieses sind ein gutes Argument, dass der Personalabteilung dabei eine starke Rolle zufallen muss.
¹ Quelle: Xu, F., Hou, J., Chen, W., & Xie, K. (2025). Generative AI and Organizational Structure in the Knowledge Economy. Vorabdruck, verfügbar unter arXiv:2506.00532v1.
FAQs
Was versteht man unter dem 'Deskilling-Effekt' durch Generative KI?
Der ‚Deskilling-Effekt‘ beschreibt die Tendenz, dass durch den Einsatz von GenAI spezialisierte Fachkenntnisse an Bedeutung verlieren, da KI komplexe Aufgaben übernimmt. Mitarbeiter agieren zunehmend als Wissensmanager statt als klassische Experten.
Warum könnte der Bedarf an Managern trotz KI steigen?
Die Studie legt nahe, dass bei komplexen Problemen, die weder Mitarbeiter noch KI alleine lösen können, mehr Management-Ebene für Eskalation und Entscheidung benötigt wird. Das widerspricht der oft angenommenen Entwicklung hin zu flacheren Hierarchien.
Was bedeutet 'Human-in-the-Loop' im Kontext von GenAI?
‚Human-in-the-Loop‘ bezeichnet ein Systemdesign, bei dem Menschen KI-Ergebnisse regelmäßig prüfen und validieren. Dies minimiert Fehler durch sogenannte Halluzinationen der KI und erhöht die Zuverlässigkeit von Entscheidungen.
Welche neuen Anforderungen entstehen für Stellenbeschreibungen?
Stellenprofile müssen künftig explizit KI-Interaktionen, Validierungsverantwortung und klare Eskalationspfade enthalten. Damit wird sichergestellt, dass KI effektiv und verantwortungsvoll eingesetzt wird.
Wie sollten Learning-Programme für den KI-Einsatz aufgebaut sein?
Die Programme sollten in drei Stufen strukturiert sein: Basiskompetenzen wie Prompting, domänenspezifische Validierung auf fortgeschrittener Ebene und strategisches Toolmanagement auf Expertenniveau.
Wie verändert KI die Anforderungen an Vergütungssysteme?
Vergütungssysteme sollten künftig stärker kompetenzbasiert gestaltet werden. Gehaltsstrukturen müssen Validierungsfähigkeiten und Fachexpertise im Umgang mit KI abbilden und an Qualitätskennzahlen geknüpft sein.
Welche Grenzen hat das vorgestellte KI-Organisationsmodell?
Das Modell basiert auf theoretischen Annahmen und ist nicht empirisch belegt. Es dient als Denkanstoß für strategische Fragen, erhebt aber keinen Anspruch auf vollständige Vorhersagekraft.
Was ist mit 'Upskilling' als langfristiger Trend gemeint?
Wenn die Kosten für KI-Fehler zu hoch werden, könnten Unternehmen wieder verstärkt in hochqualifiziertes Personal investieren. Dies würde eine Umkehr des Deskilling-Trends bedeuten und stärker auf Mensch-Maschine-Synergien setzen.
Welche Rolle spielt HR bei der Implementierung von KI in der Organisation?
HR übernimmt eine Schlüsselrolle, da es die Brücke zwischen strategischer Zielsetzung und operativer Umsetzung bildet. Dazu gehört u. a. die Definition neuer Rollen, das Aufsetzen von Trainingsmaßnahmen, die Gestaltung der Kultur sowie das Monitoring von KI-Effekten auf Arbeitsprozesse und Motivation.
Wie können Unternehmen Eskalationspfade im Umgang mit KI effektiv gestalten?
Effektive Eskalationspfade sollten nach Risikoklassen gestaffelt und in die Prozesse integriert sein. Je nach Kritikalität eines KI-Outputs muss klar definiert sein, welche Experten oder Führungskräfte einbezogen werden. Transparente Entscheidungsstrukturen sind hierbei entscheidend.
Welche kulturellen Veränderungen erfordert der produktive Einsatz von GenAI?
Ein produktiver Umgang mit GenAI erfordert eine Kultur der Offenheit, des kontinuierlichen Lernens und der Fehlerakzeptanz. Mitarbeitende müssen befähigt werden, KI kritisch zu hinterfragen und Verantwortung zu übernehmen – auch bei automatisierten Entscheidungen.
