Jede Woche sind Mitarbeitende 6,4 Stunden lang mit dem Mikromanagement von KI-Output beschäftigt – d. h. sie korrigieren Fehler und speisen wiederholt Kontext ein. Das jedenfalls geht aus einem Bericht des Glean Work AI Institute hervor. Das ist fast ein ganzer Arbeitstag. Daher beginnen Mitarbeitende sich zwangsläufig zu fragen, was denn aus ihrer eigentlichen Expertise und den Aufgaben ihrer Stelle wird.
Und unterschwellig stellt sich zunehmend Frust ein, der zum Risiko für die Mitarbeiterbindung wird. Den Erkenntnissen von Glean zufolge sehen sich diejenigen, deren KI-Arbeit größtenteils auf Bottsitting-Aufgaben entfällt, mit einer um 73 % höheren Wahrscheinlichkeit aktiv nach einem anderen Job um.
Auf den ersten Blick lässt sich dies leicht auf Grenzen der KI zurückführen. Ein tieferer Blick offenbart jedoch eine Lücke in den Skills der Belegschaft, die die meisten Unternehmen nicht vorhergesehen und sich dementsprechend auch nicht darauf vorbereitet haben.
Was ist Botsitting?
Beschrieben wird damit der Aufwand, der erforderlich ist, damit KI sinnvolle Outputs liefert. Dazu gehört es, Kontext in KI einzuspeisen, den Output zu prüfen und Fehler zu korrigieren. Geprägt wurde der Begriff vom Glean Work AI Institute im oben genannten Bericht, doch hat er sich schnell zur Beschreibung eines Phänomens durchgesetzt, mit dem sich Mitarbeitende täglich konfrontiert sehen.
Bottsitting und das Produktivitätsdilemma am Arbeitsplatz
In den meisten Unternehmen werden Mitarbeitende inzwischen angewiesen (oder zumindest ermutigt), KI bei ihrer Arbeit einzusetzen. Häufig ist der Output der KI jedoch nicht zufriedenstellend, und so steigen Zeit- und Arbeitsaufwand gleichermaßen. Beispielsweise müssen Founder Reports zufolge mit 63 % fast zwei Drittel der Führungskräfte auf Vorstands- oder VP-Ebene nach eigenen Angaben Arbeitsschritte erneut durchführen, bei denen sich zu stark auf KI verlassen wurde. Aus dem gleichen Grund mussten demnach auch beinahe die Hälfte aller Mitarbeitenden schon einmal die Arbeit von Kolleg:innen korrigieren oder komplett überarbeiten. Wie aus der Studie von Glean hervorgeht, „müssen Mitarbeitende für jede Stunde, die sie für nützlichen KI-Output aufwenden, rund eine Stunde zusätzlich investieren, um diesen nutzbar zu machen“. Ein Produktivitätsdefizit dieser Größenordnung dürfte wohl in keinem Plan zur KI-Einführung einkalkuliert sein.
Durch den zunehmenden Aufwand für diese mühsame Überprüfungsarbeit stellt sich bei den betroffenen Mitarbeitenden das Gefühl ein, ein unerfahrenes Teammitglied, für dessen Arbeit sie verantwortlich sind, „babysitten“ zu müssen, anstatt den eigenen Aufgaben nachzugehen, für die sie eingestellt wurden. Zudem attestieren gerade einmal 13 % der Mitarbeitenden ihrem Unternehmen, durch den Einsatz von KI einen deutlichen Leistungszuwachs zu erzielen.
Dem großen Aufwand, der hierfür betrieben wird, stehen bislang kaum geschäftliche Ergebnisse gegenüber. Die Qualität des KI-Outputs ist jedoch nur ein Teil des Problems. Die eigentliche Ursache ist schon länger bekannt, als Unternehmen es sich eingestehen wollen: Sie haben eine neue Technologie implementiert, ohne das Personal, das sie nutzen muss, darauf vorzubereiten.
Was Mitarbeitende zu spüren bekommen, ist die Last der Skill-Lücke und das Unbehagen der frühen Phasen eines Lernprozesses. Niemand hat die Belegschaft darauf vorbereitet, wie man produktiv mit KI-Tools arbeitet, und die meisten können sich nicht schnell genug weiterbilden.
Daher ist nun das Unternehmen gefragt, diese Lücke zu füllen.
Welche Skills Mitarbeitende für die Zusammenarbeit mit KI benötigen
Die Vorbereitung ihrer Mitarbeitenden auf die Einführung von KI besteht bei den meisten Unternehmen darin, ihnen die Fähigkeiten der Tools darzulegen und womöglich auch zu erläutern, wie sie verwendet werden. Nur weil man weiß, wozu ein Tool fähig ist, besitzt man noch längst nicht die Skills, um es effektiv zu nutzen.
Das für die Arbeit mit KI nötige Skill-Set unterscheidet sich von dem, was in den meisten Stellenbeschreibungen verlangt wird. Jede Jobrolle und Branche stellt zwar jeweils spezifische Anforderungen, doch drei Bereiche sind universell anwendbar:
Technische Auditierung: Unterläuft einem KI-Modell ein Fehler, müssen Mitarbeitende in der Lage sein, ihn zu erkennen. Liefert ein Prompt ein mangelhaftes Ergebnis, müssen sie wissen, wie sie ihn verbessern. Diese Skills lassen sich erlernen. Nur haben die meisten Unternehmen dafür keine strukturierten Lernpfade entwickelt. Dies gilt insbesondere für Mitarbeitende in Positionen, die weniger auf die Prüfung von Arbeitsergebnissen als auf Qualität und Genauigkeit ausgerichtet sind.
Kreatives Urteilsvermögen: KI generiert Output in kürzester Zeit. Die eigentliche Kunst besteht darin, zu erkennen, welche Ergebnisse man behält und welche überarbeitet werden müssen. Hierzu bedarf es Fachwissen und der Fähigkeit, Arbeit im Kontext zu beurteilen. KI-Modelle sind von Natur aus weder kreativ noch originell. Sie stützen sich lediglich auf bestehende Muster und Normen. Daher gilt es, den Output auf mehr zu prüfen als nur die oberflächliche Genauigkeit. Und dafür braucht es menschliches Urteilsvermögen.
KI-Prompting und Systemverständnis: Zu wissen, wie man mit einem KI-Tool kommuniziert, ihm den richtigen Kontext vermittelt und sein Verhalten sukzessive feinjustiert, stellt bereits eine Kompetenz dar. Erforderlich ist dafür ein Verständnis der Funktionsweise von KI-Systemen. Die meisten Mitarbeitenden entwickeln entsprechende Fähigkeiten durch Ausprobieren und praktische Erfahrung. Doch genau das ist mühselig und fühlt sich entsprechend undankbar an. Zudem braucht es seine Zeit, bis man den Dreh raus hat, auch wenn Anbieter von KI-Tools ihre Lösungen oft als direkt einsetzbar anpreisen.
Wurde die Entwicklung dieser Skills aber versäumt, bleibt es an den Mitarbeitenden hängen, diese Wissenslücke auszugleichen – eine, die bislang noch nicht einmal thematisiert wurde. Für sie fühlt es sich an, als müssten sie einen Roboter „babysitten“. Also alles andere, als neue Skills wie kreatives Urteilsvermögen, technische Auditierung und KI-Prompting anzuwenden. Der Grund dafür? Neue Skills zu erlernen, ist fast immer mit einem gewissen Unbehagen verbunden. Fehlt es dazu jedoch an einem klaren Weg nach vorne, kann dabei leicht auch Frust entstehen. Unternehmen können diesen Weg jedoch auch einfacher gestalten.
So können L&D und HR KI-Kompetenz fördern und Botsitting-Frust beseitigen
Bei Mitarbeitenden, die sich zur „Botsitting-Kraft“ degradiert fühlen, besteht logischerweise ein höheres Risiko, dass sie sich nach einer anderen Stelle umsehen.
Umso wichtiger ist es daher, KI-Kompetenz in der gesamten Belegschaft aufzubauen. Diejenigen, die Mitarbeiterdaten, Skilldaten und Budgets verwalten – also die HR-, L&D- und Führungsteams –, müssen sich dafür abstimmen und näher zusammenrücken. KI-Tools liefern die besten Resultate, wenn die Mitarbeitenden mit ihrem Einsatz vertraut sind und durch sukzessive Weiterbildung darin geschult werden, noch besser mit ihnen zu arbeiten.
Umsetzbar ist dies wie folgt:
Personalisierte Weiterbildung: Laut Deloitte ist es bei Unternehmen, die einen personalisierten Ansatz verfolgen, bis zu dreimal wahrscheinlicher, dass ihre Transformationsvorhaben bessere geschäftliche und personelle Ergebnisse erzielen. Beispielsweise tragen allgemein gehaltene KI-Schulungen nicht dazu bei, die Lücke rollenspezifischer Skills zu schließen. Schließlich erfordern etwa HR-Analysen KI-Skills, die sich grundlegend von denen unterscheiden, die in der Software-Entwicklung oder im Vertriebsmanagement gefragt sind. Mitarbeitende lernen schneller, wenn ihre Lerninhalte und zugehörige Kommunikation individuell auf sie zugeschnitten sind. Auch der oben verlinkten Studie von Deloitte zufolge bewerten Mitarbeitende Personalisierung und Anpassung als hilfreich, wenn es darum geht, sich auf Veränderungen einzustellen.
Effektive Programme zur Entwicklung von KI-Kompetenz nehmen zunächst rollenspezifische Skill-Lücken in den Blick, um sie dann anhand gezielter Weiterbildungsmaßnahmen zu schließen. Unternehmen wie TEKsystems und ZS gehen noch einen Schritt weiter, indem sie Weiterbildung durch KI-Coaching und -Rollenspiele auf individueller Ebene personalisieren.
Vernetzung des Technologie-Ökosystems für bessere Skill-Intelligence: Ein erheblicher Anteil der Botsitting-Zeit entfällt darauf, Informationen zwischen Tools zu verschieben, die nicht miteinander kommunizieren. Mitarbeitende fungieren als Brücke zwischen nicht miteinander verbundenen Systemen und übertragen oft manuell Kontextdaten in KI-Plattformen. Ein vereinfachter Tech-Stack erfordert weniger manuelle Tätigkeiten dieser Art. Wird Lernen in den Arbeitsfluss integriert, erhalten KI-Tools genau den Kontext und die Skilldaten, die sie benötigen, um Ergebnisse zu liefern, und die Weiterbildung passt sich individuell an die jeweilige Person an.
Messung von Veränderungen anhand geschäftlicher Ergebnisse: Sobald Unternehmen Skilldaten verknüpfen und sichtbar machen, können sie Lernmaßnahmen an übergeordneten Zielen ausrichten. Ein Teil der Botsitting-Frustration rührt daher, dass man zusehen muss, wie der eigene Einsatz in Aufgaben mit keinerlei sichtbarer geschäftlicher Auswirkung versickert. Dies lässt sich lösen, indem die Weiterentwicklung direkt mit zentralen Geschäftszielen verknüpft wird, sodass alle die Ergebnisse sehen können. So nutzt etwa Capgemini konkrete Projektdaten als Skilldaten, verknüpft Lernaktivitäten direkt mit Arbeitsergebnissen und sorgt so dafür, dass Führungskräfte Klarheit über die Bereitschaft der Belegschaft erhalten. Estelle Maione, Global Head of Learning and Capgemini University, betont, Lernen könne man zwar unsichtbar in den Arbeitsalltag einbetten, die Ergebnisse sollten jedoch umso sichtbarer sein.
Die Folgekosten von KI-Plattform-Botsitting
Der zunehmende Frust im Zusammenhang mit Botsitting ist ein deutlicher Beleg für die Kompetenzlücke zwischen Mensch und KI. Die technologische Entwicklung schreitet schneller voran, als sich die meisten Beschäftigten anpassen können, und zumeist sind sie nicht auf eine effektive Zusammenarbeit mit KI vorbereitet.
Das führt zu stundenlangen Fehlerkorrekturen und Überarbeitungen minderwertiger KI-Ergebnisse. Auf diese mühselige Arbeit wurden Mitarbeitende weder vorbereitet, noch wurde es von Unternehmen bis dato veranlasst, die dazu nötigen Skills zu entwickeln. Diese Skill-Lücke zu schließen, ist entscheidend, um mit der KI-Transformation Schritt zu halten und die Beteiligung sowie Bindung der Mitarbeitenden zu sichern. Dazu müssen Unternehmen schnell KI-Kompetenz aufbauen, gleichzeitig strukturierte Möglichkeiten zur praktischen Anwendung schaffen, Skill-Intelligence im gesamten Unternehmen nutzbar machen und messen, wie sich diese Kompetenzentwicklung in den Geschäftsergebnissen widerspiegelt – oder eben nicht.
Unser heißer Draht zu Ihnen.
Exklusive Einblicke, Infos zu bevorstehenden Veranstaltungen, Updates zu Degreed-Lösungen – das alles erwartet Sie in unserem monatlichen Newsletter.