HUMAN–AI WORK ARCHITECTURES - Wie sich Arbeit zwischen menschlicher Urteilskraft und künstlicher Intelligenz neu organisiert
Mit jeder neuen Generation künstlicher Intelligenz erweitert sich die Liste dessen, was Maschinen übernehmen können. Sie recherchieren, analysieren Daten und Dokumente, entwerfen Texte, entwickeln Alternativen und bearbeiten zunehmend komplexe Aufgaben über mehrere Arbeitsschritte hinweg. Für Organisationen entsteht daraus jedoch eine zweite, möglicherweise folgenreichere Frage. Wenn künstliche Intelligenz nicht mehr nur Werkzeug ist, sondern selbst Funktionen innerhalb von Wissens- und Entscheidungsprozessen übernimmt, verändert sich nicht allein die Verteilung einzelner Aufgaben. Es verändert sich die Architektur der Arbeit.
Organisationen haben Wissen und Fähigkeiten immer verteilt. Recherche, Analyse, fachliche Bewertung, Kontrolle und Entscheidung liegen selten bei einer einzigen Person. Professionen, Abteilungen, Hierarchien und Regeln bilden vielmehr Strukturen, in denen unterschiedliche Kompetenzen zusammengeführt werden. Künstliche Intelligenz tritt nun in diese bestehenden Strukturen ein, allerdings mit einer Besonderheit: Sie kann nicht nur einzelne Tätigkeiten beschleunigen, sondern an verschiedenen Stellen desselben Arbeitsprozesses eingesetzt werden. Mit agentischen Systemen wird diese Differenzierung noch größer. Unterschiedliche KI-Funktionen können Informationen beschaffen, Analysen erstellen, Ergebnisse überprüfen oder weitere Arbeitsschritte vorbereiten. Aus dem Verhältnis zwischen einem Menschen und einem digitalen Werkzeug kann so ein hybrides Arbeitssystem entstehen.
Die naheliegende Vorstellung, menschliche und künstliche Intelligenz würden sich aufgrund ihrer unterschiedlichen Fähigkeiten beinahe selbstverständlich ergänzen, hält einer näheren Betrachtung allerdings nicht stand. Eine 2024 in Nature Human Behaviour veröffentlichte Meta-Analyse von 106 experimentellen Studien mit 370 Effektgrößen ergab, dass Mensch-KI-Kombinationen im Durchschnitt schlechter abschnitten als der jeweils leistungsfähigere Einzelakteur. Besonders bei Entscheidungsaufgaben zeigten sich Verluste. Bei kreativen Aufgaben war das Verhältnis günstiger, ohne dass sich daraus eine generelle Synergie ableiten ließe. Unterschiedliche Stärken erzeugen also noch keine funktionierende Zusammenarbeit. Entscheidend ist, unter welchen Bedingungen und in welcher Anordnung sie zusammenwirken.
Genau an dieser Stelle beginnt das, was sich als Human–AI Work Architecture beschreiben lässt. Der Begriff soll hier weder eine neue technische Disziplin bezeichnen noch ein weiteres Managementmodell etablieren. Er lenkt den Blick auf die Gestaltung hybrider Arbeitssysteme: darauf, wie menschliche und künstliche Fähigkeiten, Funktionen, Übergaben, Kontrollpunkte und Entscheidungsrechte miteinander verbunden werden. Die relevante Frage lautet dann nicht mehr lediglich, ob eine KI eine bestimmte Aufgabe ausführen kann. Sie lautet, welche Funktionen innerhalb eines Arbeitsprozesses benötigt werden, wie sie verteilt werden und unter welchen Bedingungen aus ihren jeweiligen Ergebnissen belastbares Wissen und verantwortbare Entscheidungen entstehen können.
Damit verschiebt sich der Blick von einzelnen Aufgaben auf die Funktionen, aus denen anspruchsvolle Wissensarbeit besteht. Informationen müssen gefunden und ausgewählt, ihre Qualität beurteilt, Zusammenhänge erkannt, Annahmen überprüft, Gegenpositionen berücksichtigt und mögliche Folgen abgeschätzt werden. Daraus entstehen Interpretationen und Handlungsoptionen, auf deren Grundlage schließlich geurteilt und entschieden wird. Einige dieser Funktionen können Menschen übernehmen, andere KI-Systeme, wieder andere spezialisierte AI Agents. Je differenzierter diese Arbeitsteilung wird, desto wichtiger wird allerdings eine weitere Funktion: die Orchestrierung. Jemand oder etwas muss bestimmen, welche Funktionen benötigt werden, wann sie zum Einsatz kommen, wie ihre Ergebnisse miteinander verbunden werden und an welcher Stelle Widersprüche oder Unsicherheiten eine erneute Prüfung verlangen.
Orchestrierung ist deshalb keine rein technische Angelegenheit. Sie beeinflusst, welche Informationen sichtbar werden, welche Perspektiven berücksichtigt und welche Alternativen überhaupt entwickelt werden. Forschungsprototypen wie Microsofts Magentic-UI untersuchen bereits verschiedene Formen menschlicher Beteiligung an agentischen Systemen – von gemeinsamer Planung und Eingriffen während der Bearbeitung bis zu Freigaben für bestimmte Handlungen und der Überprüfung von Ergebnissen. Noch handelt es sich dabei um Forschung an offenen Gestaltungsfragen, nicht um eine abschließend validierte Architektur zukünftiger Wissensarbeit. Doch gerade diese Versuche zeigen, dass menschliche Beteiligung nicht zwangsläufig erst am Ende eines automatisierten Prozesses stattfinden muss.
Hier liegt ein grundlegendes Problem der häufig erhobenen Forderung, bei wichtigen Entscheidungen müsse der Mensch „im Loop“ bleiben. Ein Mensch kann formal die letzte Entscheidung treffen und dennoch zunehmend von einem Entscheidungsraum abhängig werden, den er selbst nur noch teilweise hervorgebracht hat. Wenn KI-Systeme zuvor Informationen ausgewählt, Zusammenhänge priorisiert, Risiken eingeordnet und Handlungsoptionen entwickelt haben, beginnt ihr Einfluss lange vor dem abschließenden Urteil.
Es erscheint deshalb sinnvoll, zwischen Entscheidungsbefugnis und Urteilshoheit zu unterscheiden. Entscheidungsbefugnis beschreibt die formale oder institutionelle Autorität, eine Entscheidung zu treffen. Urteilshoheit bezeichnet dagegen die tatsächliche Fähigkeit, die Voraussetzungen dieser Entscheidung, ihre Alternativen und Unsicherheiten hinreichend zu verstehen, eigenständig zu beurteilen und gegebenenfalls infrage zu stellen. Ein Mensch kann das erste besitzen und das zweite allmählich verlieren. Die bloße Anwesenheit eines Menschen im Entscheidungsprozess sagt daher noch wenig darüber aus, wie substanziell seine Rolle tatsächlich ist.
Damit ist keine Behauptung menschlicher Überlegenheit verbunden. Menschen urteilen selbst unter Bedingungen begrenzter Information, institutioneller Routinen, fachlicher Abhängigkeiten und kognitiver Verzerrungen. Menschliche Expertise sollte ebenso wenig idealisiert werden wie künstliche Intelligenz. Die Herausforderung hybrider Arbeitssysteme besteht gerade darin, unterschiedliche Fähigkeiten und Fehlermöglichkeiten so miteinander zu verbinden, dass Annahmen überprüfbar, Unsicherheiten erkennbar und Entscheidungen begründbar bleiben. Menschliche Beteiligung erhält ihren Wert nicht allein dadurch, dass sie menschlich ist. Entscheidend ist, welche Funktion menschliches Urteil innerhalb der jeweiligen Architektur tatsächlich erfüllt.
Das berührt unmittelbar die Frage der Verantwortung. Verantwortung wird häufig vom Ende eines Entscheidungsprozesses her gedacht: Eine Person oder ein Organ entscheidet und muss für die Folgen einstehen. In einem hybriden Arbeitssystem werden jedoch bereits vorher Entscheidungen getroffen, die das spätere Ergebnis prägen. Welche Informationen darf ein System verwenden? Welche Funktionen dürfen selbstständig ausgeführt werden? Welche Handlungen benötigen eine Freigabe? Welche Unsicherheiten müssen sichtbar gemacht werden? Wann wird ein Vorgang eskaliert, wer kann ihn unterbrechen und wie lässt sich später nachvollziehen, auf welcher Grundlage entschieden wurde?
Verantwortung wird damit nicht erst am Ende zugerechnet; ihre Voraussetzungen werden bereits durch die Arbeitsarchitektur strukturiert. Eine Organisation kann formal eindeutig bestimmen, wer eine Entscheidung verantwortet, und zugleich einen Prozess schaffen, in dem diese Verantwortung kaum noch substanziell ausgeübt werden kann. Umgekehrt können Transparenz, Widerspruch, Kontrollpunkte und Eingriffsmöglichkeiten so organisiert werden, dass Verantwortungsübernahme tatsächlich möglich bleibt. Die Architektur trägt die Verantwortung nicht selbst. Aber sie entscheidet wesentlich darüber mit, ob und wie Menschen und Institutionen Verantwortung wahrnehmen können.
Was geschieht mit menschlicher Expertise?
Die langfristig möglicherweise schwierigere Frage beginnt dort, wo Delegation erfolgreich ist. Wenn künstliche Intelligenz Informationen schneller erschließen, umfangreiche Vergleiche durchführen oder Analysen effizienter vorbereiten kann, spricht zunächst vieles dafür, diese Möglichkeiten zu nutzen. Doch Arbeitsteilung verändert nicht nur Prozesse. Sie verändert auch die Fähigkeiten derjenigen, die innerhalb dieser Prozesse arbeiten.
Eine 2025 auf der CHI-Konferenz veröffentlichte Untersuchung von 319 Wissensarbeitern mit 936 berichteten GenAI-Anwendungsfällen liefert dafür einen interessanten Hinweis. Höheres Vertrauen in die Leistungsfähigkeit der verwendeten KI war mit geringerer berichteter kritischer Denkanstrengung verbunden, während sich kritische Arbeit zugleich in Richtung Verifikation, Integration von KI-Antworten und Steuerung des Gesamtprozesses verschob. Da die Untersuchung auf Selbstauskünften beruht, lässt sich daraus weder ein allgemeiner Kompetenzverlust noch eine einfache Kausalität ableiten. Der Befund ist dennoch relevant: Die Nutzung künstlicher Intelligenz kann nicht nur beeinflussen, wie viel Menschen denken, sondern auch, worüber und an welcher Stelle eines Arbeitsprozesses sie kritisch nachdenken müssen.
Damit stellt sich für Organisationen eine Frage, die über klassische Weiterbildung hinausgeht. Nicht jede Fähigkeit, die technisch delegiert werden kann, muss deshalb vollständig aus menschlicher Arbeit verschwinden. Manche Kompetenzen könnten weiterhin benötigt werden, gerade weil Menschen sonst die Qualität delegierter Arbeit nicht mehr beurteilen können. Andere werden möglicherweise weniger bedeutsam, während neue entstehen: Ergebnisse zu verifizieren, unterschiedliche KI-Funktionen zu koordinieren, Unsicherheit zu erkennen oder zu entscheiden, wann ein automatisierter Prozess unterbrochen werden muss.
Man könnte diese Gestaltungsaufgabe als Capability Governance bezeichnen. Der Begriff ist weniger wichtig als die dahinterliegende Frage: Welche Fähigkeiten sollten Menschen weiterhin selbst ausüben, welche durch künstliche Intelligenz erweitern und welche tatsächlich delegieren? Eine kurzfristig effiziente Arbeitsteilung muss unter dieser Perspektive keine langfristig gute Arbeitsarchitektur sein. Organisationen müssen auch berücksichtigen, welche menschlichen Fähigkeiten sie künftig benötigen, um beurteilen zu können, was ihre Systeme zunehmend selbstständig leisten.
Damit verändert sich zugleich der Maßstab für den Erfolg künstlicher Intelligenz in Organisationen. Geschwindigkeit, Kosten, Genauigkeit und Skalierbarkeit bleiben relevant, reichen aber nicht aus. Hinzu kommen die Qualität der Zusammenarbeit, die Möglichkeit menschlichen Eingreifens, die Nachvollziehbarkeit von Ergebnissen, die Zurechenbarkeit von Verantwortung und die Fähigkeit, aus Erfahrungen und Fehlern zu lernen. Diese Anforderungen können miteinander in Spannung geraten. Mehr Automatisierung kann Leistungsfähigkeit erhöhen und zugleich Kontrollmöglichkeiten verringern; zusätzliche menschliche Freigaben können Sicherheit suggerieren und dennoch zur Formalität werden, wenn die zugrunde liegenden Analysen nicht mehr eigenständig beurteilt werden können.
Die Architektur wird zur institutionellen Frage
An diesem Punkt wird deutlich, weshalb Human–AI Work Architectures über die Gestaltung einzelner Arbeitsplätze hinausreichen. Sobald künstliche Intelligenz dauerhaft in Recherche, Analyse, Koordination und Entscheidungsvorbereitung eingebunden ist, berührt sie die Art, wie Organisationen Wissen erzeugen, Unsicherheit bearbeiten, Verantwortung verteilen und Handlungsfähigkeit herstellen.
Daraus ergibt sich möglicherweise auch ein anderer Zugang zu Institutional Intelligence. Institutionelle Intelligenz wäre dann nicht die Summe besonders intelligenter Menschen und besonders leistungsfähiger KI-Systeme. Sie würde sich vielmehr darin zeigen, wie gut eine Institution unterschiedliche Fähigkeiten in belastbares Wissen, eigenständiges Urteil, verantwortbare Entscheidungen und Lernfähigkeit übersetzen kann. Die Leistungsfähigkeit einzelner Akteure bliebe wichtig, wäre aber nicht hinreichend, um die Leistungsfähigkeit des Ganzen zu erklären.
Gerade darin liegt eine Grenze vieler gegenwärtiger Debatten über künstliche Intelligenz. Die Entwicklung immer leistungsfähigerer Systeme entscheidet noch nicht darüber, ob Organisationen tatsächlich besser urteilen und handeln werden. Technologische Leistungsfähigkeit und institutionelle Handlungsfähigkeit sind unterschiedliche Größen. Zwischen beiden liegt eine Gestaltungsaufgabe: die Architektur, in der Menschen, künstliche Intelligenz, Wissen, Regeln, Kontrolle und Verantwortung miteinander verbunden werden.
Wie diese Architektur aussehen sollte, lässt sich nicht allgemein beantworten. Eine Forschungsorganisation benötigt andere Formen der Arbeitsteilung als ein Krankenhaus, eine Verwaltung oder ein Unternehmen; eine explorative Analyse stellt andere Anforderungen an menschliche Kontrolle als eine Entscheidung mit erheblichen rechtlichen, wirtschaftlichen oder gesellschaftlichen Folgen. Es wird deshalb kaum die optimale Human–AI Work Architecture geben. Gerade weil unterschiedliche Kontexte unterschiedliche Arrangements verlangen, wird die Fähigkeit, über diese Architekturen selbst zu urteilen, zu einer neuen institutionellen Aufgabe.
Die kommenden Jahre werden daher nicht nur davon geprägt sein, welche Fähigkeiten künstliche Intelligenz noch entwickelt. Mindestens ebenso bedeutsam wird sein, welche Arbeitsformen wir um diese Fähigkeiten herum entstehen lassen. Dabei geht es weder darum, menschliche Arbeit gegen künstliche Intelligenz zu verteidigen, noch darum, möglichst viele menschliche Tätigkeiten zu automatisieren. Die anspruchsvollere Aufgabe besteht darin, herauszufinden, wo unterschiedliche Fähigkeiten einander tatsächlich erweitern, wo menschliches Urteil substanziell erforderlich bleibt und wie Verantwortung ausgeübt werden kann, wenn Erkenntnis und Entscheidung zunehmend aus hybriden Systemen hervorgehen.
Lange haben wir vor allem gefragt, wie intelligent Maschinen werden können. Für Organisationen könnte eine andere Frage mindestens ebenso wichtig werden:
Wie intelligent organisieren wir die Zusammenarbeit zwischen ihnen und uns?
Quellenhinweise
Vaccaro, Michelle; Almaatouq, Abdullah; Malone, Thomas W.: When combinations of humans and AI are useful: A systematic review and meta-analysis, Nature Human Behaviour 8, 2024, S. 2293–2303.
Nature Human Behaviour – Studie öffnen
Lee, Hao-Ping et al.: The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers, CHI 2025.
Microsoft Research – Studie öffnen
Mozannar, Hussein et al.: Magentic-UI: Towards Human-in-the-loop Agentic Systems, Microsoft Research, 2025.
Microsoft Research – Magentic-UI öffnen
Im Fokus


