KI-Mythen im Faktencheck

„Künstliche Intelligenz macht uns dumm.“ – KI-Mythen wie dieser halten sich hartnäckig in unserer Arbeitswelt. Mit Blick darauf, dass Künstliche Intelligenz nahezu jede Facette unseres Arbeitsalltags durchdringt, ist das auch nachvollziehbar. Aber gerade weil das Thema so eine große Tragweite hat, sollten Entscheidungen zu Fragen rund um KI auf einer sauberen Faktengrundlage getroffen werden. Die gute Nachricht: Die arbeitspsychologische Forschungsarbeit läuft auf Hochtouren und viele KI-Mythen lassen sich heute schon eher auf Basis einer wissenschaftlichen Informationsgrundlage einordnen als noch vor zwei oder drei Jahren. Dabei handelt es sich natürlich um erste Studienarbeiten zum Thema und in den seltensten Fällen um breit abgesicherte Erkenntnisse. Nichtsdestotrotz sollten Fachleute aus der Praxis mit den Ergebnissen vertraut sein. Dieser Artikel soll Ihnen daher eine Art übersichtlichen KI-Faktencheck bieten. Wir haben einige der weitverbreitetsten KI-Mythen herausgesucht und sie mit aktuellen Forschungsarbeiten abgeglichen. Viel Spaß beim Lesen!

Mythen zu KI und Führung im Faktencheck

Die beste Führungskraft – ein Prompt? Die ersten drei Mythen, die wir unter die Lupe nehmen, drehen sich um Künstliche Intelligenz in Führungsaufgaben. Die Annahme, KI entscheide schneller und objektiver als menschliche Führungskräfte, ist weitverbreitet. Gleichzeitig ist für Führungskräfte und Beschäftigte oft schwer vorstellbar, Algorithmen auch Führungsaufgaben übernehmen zu lassen. Also: Wie stehen Beschäftigte zu KI-Führung, ist KI tatsächlich objektiv und macht sie Führungskräfte letztlich überflüssig?

KI-Mythos #1: Finden Beschäftigte KI-Führung gut?

Studie: Um diese Frage zu beantworten, lohnt sich der Blick auf eine Forschungsarbeit von Wenger et al. (2026). Das Forschungsteam führte vier Studien mit je zwischen 152 und 196 Versuchspersonen durch, denen je eine Auswahl fiktiver Situationen dargeboten wurde. Konkret handelte es sich um emotional belastende Szenen mit abschließenden Fragestellungen. Nachdem sie die Situationsbeschreibung gelesen hatten, konnten die Beteiligten die Wahl treffen, ob sie die Antwort eines Menschen oder die Antwort einer Künstlichen Intelligenz bevorzugen würden. Je nach Wahl wurde eine entsprechende Antwort dargeboten und von den Versuchspersonen bewertet – etwa im Hinblick darauf, als wie empathisch die Antwort wahrgenommen wird.

Befund: Das Ergebnis war klar: Bei freier Wahl wählten die Beteiligten signifikant häufiger (57–62 %) die menschliche Antwort. Interessant dabei: Dieselben Personen bewerteten gleichzeitig KI-generierte Antworten in allen vier Studien als empathischer, hilfreicher zum „Gehörtwerden“ und sogar als aufwendiger erstellt als menschliche Antworten. Das Forschungsteam beschreibt diese Beobachtung als „AI empathy choice paradox“. Es ist wichtig, zu betonen, dass die fiktiven Situationen in diesem Versuch nicht explizit Führungs-/Entscheidungskontexte betrafen. Nichtsdestotrotz können wir ableiten, dass die Einführung von KI in Rollen mit hoher emotionaler oder zwischenmenschlicher Bedeutung – und dazu gehören Führungsaufgaben eben – mit hoher Wahrscheinlichkeit nicht nur auf Wohlwollen stoßen würde. Allerdings sind als Beleg weitere Forschungsarbeiten aus realen Führungskontexten nötig.

Fazit: Menschen bevorzugen bei zwischenmenschlich sensiblen Anliegen weiterhin den Menschen, obwohl KI-Antworten in Tests sogar als empathischer bewertet wurden.

KI-Mythos #2: Macht KI Führungskräfte überflüssig?

Van Quaquebeke und Gerpott (2023) stellten die These in den Raum, dass Künstliche Intelligenz perspektivisch sogar beziehungs- und veränderungsorientierte Führungsfunktionen übernehmen könnte – etwa indem sie die psychologischen Grundbedürfnisse nach Autonomie, Kompetenz und Verbundenheit adressiert. Dabei handelt es sich allerdings um einen Meinungsbeitrag, nicht um einen empirischen Nachweis. Frimpong (2025) fasst den bisherigen Diskussionsstand zusammen und kommt zum gegenteiligen Fazit: Die Mehrheit der Literatur spreche sich für hybride beziehungsweise „Augmented Leadership“-Modelle aus. KI übernimmt darin beispielsweise Datenanalysen und automatisierbare Routineaufgaben, während menschliche Führungskräfte aufgrund ihrer Empathie und ihres ethischen Urteilsvermögens zentral bleiben.

Studie: Dass KI menschliche Führung nicht einfach eins zu eins ersetzt, zeigen auch vier Experimente von Lanz, Briker und Gerpott (2024) mit insgesamt 1.701 Versuchspersonen. Untersucht wurde, ob sich das Followership-Verhalten in Abhängigkeit davon unterscheidet, ob Anweisungen von einer KI oder einem Menschen gegeben wurden.

Befund: Die Beteiligten in Lanz, Briker und Gerpott (2024) befolgten unethische Anweisungen eines KI-Vorgesetzten konsistent seltener als die eines menschlichen Vorgesetzten. In der ersten Studie lag die Weisungsbefolgung beispielsweise bei 24 Prozent gegenüber 31 Prozent. Als entscheidenden Mechanismus identifizierte das Autorenteam das wahrgenommene „Mind“ der Führungsinstanz – also das Ausmaß, in dem ihr Denk- und Empfindungsvermögen zugeschrieben wird. KI wurde durchgehend als weniger „mindful“ wahrgenommen als ein Mensch, selbst wenn ihr technisch höhere Fähigkeiten zugesprochen wurden. Rein funktionale Leistungsfähigkeit führt demnach nicht automatisch dazu, dass Beschäftigte KI im gleichen Maße als Führungsinstanz akzeptieren. Beschäftigte reagieren auf KI-Führung anders als auf Führung durch einen Menschen. Nach Frimpong (2025) spricht das dafür, nicht den Versuch zu machen, Führungskräfte zu ersetzen, sondern dafür, Führungskräfte mit KI in Routineaufgaben zu entlasten. Damit bleibt mehr Raum für das „eigentliche“ Führungsverhalten auf der zwischenmenschlichen Ebene.

Fazit: KI macht Führungskräfte auf absehbare Zeit nicht überflüssig. Richtig eingesetzt kann sie Führung aber von Analysen und Routineaufgaben entlasten. Dadurch bleibt mehr Zeit für das, was menschliche Führung besonders wertvoll macht: Beziehungen, Empathie und verantwortungsvolles Urteilen.

KI-Mythos #3: Entscheidet KI objektiv?

Ein zentrales Argument für den Einsatz Künstlicher Intelligenz in Unternehmen ist oft, dass sie – anders als Menschen – nicht ermüde, keine persönlichen Interessen verfolge und frei von Vorurteilen entscheiden könne. Dadurch könne KI menschliche Verzerrungen in Entscheidungsprozessen reduzieren. Mit Blick in die arbeitspsychologische Forschung zeigt sich aber, dass diese These so oft nicht haltbar ist. Das ist insbesondere für Führungsentscheidungen relevant, die direkte Folgen für Beschäftigte haben – etwa bei der Auswahl, der Beurteilung oder der Entwicklung von Personal.

Studien: In der vorliegenden Literatur findet sich keine direkte, kontrollierte Studie, die untersucht, ob KI tatsächlich objektiver entscheidet als ein Mensch. Die wissenschaftliche Einordnung stützt sich stattdessen auf drei unterschiedliche Evidenzstränge: erstens auf Umfragedaten zur wahrgenommenen Objektivität von KI, zweitens auf dokumentierte Praxisfälle algorithmischer Diskriminierung und drittens auf experimentelle Untersuchungen zur Wahrnehmung von Fairness und zum sogenannten „Outcome Bias“. Diese drei Perspektiven liefern ein indirektes, aber konsistentes Gesamtbild.

Befunde: Eine Befragung von Oracle und Future Workplace (2019) zeigt zunächst, dass Beschäftigte KI als vergleichsweise unvoreingenommen wahrnehmen. Sie trauten ihr unter anderem eher zu, wahrheitsgemäße Informationen zu liefern und faire Arbeitspläne zu erstellen. Insgesamt gaben 64 Prozent der Befragten an, einer KI mehr zu vertrauen als ihrer Führungskraft. Dass diese wahrgenommene Objektivität nicht mit tatsächlicher Fairness gleichgesetzt werden kann, zeigen unter anderem Dastin (2018) und Obermeyer et al. (2019): Die Arbeiten dokumentieren Praxisfälle, in denen KI-gestützte Tools in Bewerbungsprozessen auf diskriminierende historische Daten zurückgriffen (Dastin, 2018) und rassistische Verzerrungen im Gesundheitswesen erzeugten (Obermeyer et al., 2019). Gleichzeitig scheinen Menschen algorithmische Entscheidungen nicht immer so kritisch zu hinterfragen wie menschliche Entscheidungen. Bigman et al. (2023) fanden, dass algorithmische Diskriminierung als weniger moralisch empörend bewertet wurde als die gleiche Diskriminierung durch einen Menschen. Der vermeintlich neutrale Charakter von KI könnte somit dazu führen, dass tatsächliche Verzerrungen seltener erkannt oder weniger scharf verurteilt werden.

Fazit: Die These, KI mache Entscheidungen objektiver, ist nur unter der Bedingung sauberer, unverzerrter Trainingsdaten und transparenter Algorithmen haltbar. Empirisch dokumentierte Praxisfälle zeigen jedoch, dass diese Voraussetzungen wiederholt nicht erfüllt waren. Ob KI zu faireren Entscheidungen beiträgt, hängt deshalb vor allem von der Qualität ihrer Daten und einer konsequenten menschlichen Kontrolle ab. Das sollte berücksichtigt werden, wenn man sich die Frage stellt, ob Führungsentscheidungen an KI ausgelagert werden sollen: Mindestens sollten die Datengrundlage und die Entscheidungslogik nachvollziehbar sein, während die Verantwortung beim Menschen bleibt.

Mythen zur Mensch-KI-Zusammenarbeit im Faktencheck

Ist KI ein „guter Kollege“? Die Forschungsarbeiten, die wir uns für diesen Blogbeitrag angesehen haben, zeigen, dass die Mensch-KI-Zusammenarbeit oft alles andere als trivial ist. KI kann empathisch formulieren und emotionale Signale erkennen. Das bedeutet aber nicht automatisch, dass sie menschliche Gefühle versteht oder selbst Empathie empfindet. Zu Künstlicher Intelligenz in Organisationen stellt sich deshalb weniger die Frage, ob KI menschliche Empathie ersetzen kann, sondern vielmehr, wie sie zwischenmenschliche Interaktionen sinnvoll unterstützen kann.

KI-Mythos #4: Kann KI Empathie zeigen?

Studien: Howcroft et al. (2025) untersuchten in einem Review, ob KI-Chatbots in der medizinischen Kommunikation empathischer wirken als menschliche Gesundheitsfachkräfte. Dafür wertete das Forschungsteam 15 empirische Studien aus den Jahren 2023 und 2024 aus. Darin wurden Antworten von KI-Systemen – vor allem ChatGPT-3.5 und GPT-4 – mit den Antworten von medizinischen Fachkräften verglichen. Ergänzend untersuchten Ruiz-Vanoye et al. (2026) in einem systematischen Review die Potenziale und Risiken emotionaler KI am Arbeitsplatz – also von Systemen, die Emotionen beispielsweise anhand von Mimik, Stimme oder physiologischen Signalen erkennen sollen.

Ergebnis: In 13 der 15 von Howcroft et al. (2025) untersuchten Studien wurden die Antworten der KI als empathischer bewertet. Es zeigte sich ein deutlicher Vorteil: Auf einer zehnstufigen Empathieskala lagen die KI-Antworten im Durchschnitt rund zwei Punkte vor den Antworten menschlicher Vergleichsgruppen. Besonders GPT-4 schnitt konsistent besser ab. Ausnahmen fanden sich unter anderem in der Dermatologie, wo menschliche Fachkräfte empathischer bewertet wurden. Das konkrete Anwendungsfeld scheint also eine Rolle zu spielen.

Allgemein bedeuten diese Ergebnisse nun aber nicht, dass KI im menschlichen Sinne empathisch ist. Gemessen wurde die wahrgenommene Empathie textbasierter Antworten, nicht die Qualität einer zwischenmenschlichen Beziehung. Nonverbale Aspekte wie Stimme, Blickkontakt, Timing oder Körpersprache wurden in der Studie kaum berücksichtigt.

Ruiz-Vanoye et al. (2026) berichten indes, dass emotionserkennende KI am Arbeitsplatz Beschäftigte und Führungskräfte grundsätzlich unterstützen kann. Beispielsweise kann sie Hinweise auf Stress oder Desengagement frühzeitig sichtbar machen. Ein verantwortungsvoller KI-Einsatz setzt jedoch klare Grenzen voraus: Die Analyse emotionaler Signale kann als „emotionale Überwachung“ erlebt werden, algorithmische Verzerrungen enthalten und Beschäftigte unter Druck setzen, ihre Gefühle im Sinne des Systems zu steuern. In diesem Fall würde KI die Mensch-KI-Zusammenarbeit nicht verbessern, sondern Vertrauen und psychologische Sicherheit gefährden (Ruiz-Vanoye et al., 2026).

Fazit: KI kann empathisch wirken, empfindet aber keine Empathie im menschlichen Sinne. Als Schreibhilfe kann sie Beschäftigte dabei unterstützen, wärmer und adressatengerechter zu kommunizieren. Sie ersetzt jedoch weder echte Beziehungsarbeit noch menschliche Verantwortung. Wo KI emotionale Signale von Beschäftigten analysiert, sind zudem Transparenz, Datenschutz und eine hohe KI-Kompetenz zentral.

KI-Mythos #5: Ist Mensch-KI-Zusammenarbeit ein Selbstläufer?

Wer Menschen und KI zusammenbringt, erhält nicht automatisch das Beste aus beiden Welten. Ob Mensch-KI-Zusammenarbeit funktioniert, hängt nicht nur von der Leistungsfähigkeit der eingesetzten Technologie ab. Auch die Aufgabenverteilung, das Vertrauen in die KI und die Frage, ob sie als Werkzeug oder als Partner wahrgenommen wird, spielen eine wichtige Rolle.

Studien: Hoffmann et al. (2026) untersuchten in einer Onlinestudie mit 217 Versuchspersonen, wie die wahrgenommene Rolle einer KI mit dem Zusammenhalt hybrider Teams zusammenhängt. Die Forschergruppe analysierte, wie sich die von den Beteiligten wahrgenommene Teamkohäsion in Abhängigkeit davon unterschied, ob die KI als reines Werkzeug oder als Partner wahrgenommen wurde. Ergänzend untersuchten Musick et al. (2021) in einer simulierten Teamaufgabe mit 46 Teams, was geschieht, wenn Menschen lediglich glauben, mit KI-Agenten zusammenzuarbeiten. Tatsächlich handelte es sich bei den vermeintlichen KI-Teammitgliedern ebenfalls um Menschen. Einen breiteren Blick ermöglicht die systematische Übersichtsarbeit und Metaanalyse von Vaccaro et al. (2024), die 106 Experimente mit insgesamt 370 Effektstärken zur Leistung von Menschen, KI und Mensch-KI-Kombinationen verglich.

Ergebnis: Bei Hoffmann et al. (2026) berichteten die Versuchspersonen einen höheren Teamzusammenhalt, wenn sie die KI als Partner und nicht nur als Werkzeug wahrnahmen. Dieser Zusammenhang war dann besonders stark, wenn die Beschäftigten ein hohes Vertrauen in die verwendeten KI-Modelle hatten. Dass schon die Erwartung, mit KI zusammenzuarbeiten, Teamprozesse beeinflussen kann, zeigen Musick et al. (2021). Teams, in denen eine Person glaubte, mit zwei KI-Agenten zu arbeiten, waren weniger effektiv als Teams mit mehreren vermeintlich menschlichen Mitgliedern. Da sich hinter den angeblichen KI-Agenten tatsächlich Menschen verbargen, lassen sich die Unterschiede nicht auf technische Fähigkeiten zurückführen. Entscheidend war vielmehr die wahrgenommene Teamzusammensetzung. Diese beeinflusste unter anderem die Koordination und das gemeinsame Zielstreben.

Auch mit Blick auf Leistungsindikatoren ist Mensch-KI-Zusammenarbeit kein Selbstläufer. Vaccaro et al. (2024) fanden, dass Mensch-KI-Kombinationen im Durchschnitt zwar besser abschnitten als Menschen allein, aber schlechter als der jeweils leistungsfähigere Part – also Mensch oder KI – für sich. Eine echte Synergie wurde im Mittel somit nicht erreicht. Besonders bei Entscheidungsaufgaben entstanden häufiger Leistungsverluste, während sich bei der Erstellung von Inhalten eher Vorteile zeigten. Ob eine Kombination sinnvoll ist, hängt daher stark von der Aufgabe und von den jeweiligen Stärken der Systeme „Mensch“ und „KI“ ab.

Fazit: Mensch-KI-Zusammenarbeit muss aktiv gestaltet werden. Unternehmen und Beschäftigte sollten vor dem KI-Einsatz prüfen, ob eine Aufgabe überhaupt von der Kombination profitiert. Ebenso wichtig sind das beschäftigtenseitige Vertrauen in KI-Systeme und eine passende Rollenwahrnehmung („Partner“ statt „Werkzeug“ für bidirektionale statt unidirektionale Kommunikation). Doch KI als „Partner“ zu bezeichnen, reicht allein nicht aus – entscheidend ist, ob die Zusammenarbeit tatsächlich auf sinnvolle Interaktion und eine an den jeweiligen Stärken orientierte Aufgabenverteilung ausgelegt ist.

Mythen zu KI und Produktivität im Faktencheck

KI-Mythos #6: Steigert KI Produktivität?

Kaum ein Versprechen ist so eng mit Künstlicher Intelligenz in Unternehmen verbunden wie die Aussicht auf höhere Produktivität. Tatsächlich liefern aktuelle Forschungsarbeiten starke Belege dafür, dass Beschäftigte mit KI schneller und teilweise auch besser arbeiten können. Die Ergebnisse zeigen aber ebenso deutlich: Produktivitätsgewinne entstehen nicht automatisch, sondern hängen von der Aufgabe, dem Kompetenzniveau und dem kritischen Umgang mit den Ergebnissen der KI ab.

Studien: Dell’Acqua et al. (2026) führten ein präregistriertes Feldexperiment mit 758 Beschäftigten einer internationalen Unternehmensberatung durch. Nach einer Baseline-Messung wurden die Versuchspersonen zufällig einer von drei Bedingungen zugeteilt: kein KI-Zugang, Zugang zu GPT-4 oder Zugang zu GPT-4 in Verbindung mit einer kurzen Einführung in Prompt Engineering. Bearbeitet wurden realistische Consulting-Aufgaben. Dazu gehörten 18 kreative und analytische Aufgaben – innerhalb der damaligen Fähigkeitsgrenzen der KI – sowie eine komplexe Aufgabe außerhalb dieser Grenzen, bei der GPT-4 zu einer falschen Empfehlung tendierte.

Brynjolfsson et al. (2025) untersuchten die gestaffelte Einführung eines generativen KI-Assistenten bei 5.172 Beschäftigten im Kundenservice. Das System machte während der Kundengespräche Formulierungsvorschläge, während die Beschäftigten selbst entschieden, welche davon sie übernahmen. Als Produktivitätsmaß diente die Zahl der pro Stunde gelösten Kundenanliegen.

Ergebnis: Innerhalb der KI-Fähigkeitsgrenze waren die Versuchspersonen bei Dell’Acqua et al. (2026) mit KI mehr als 25 Prozent schneller, bearbeiteten über 12 Prozent mehr Aufgaben und erzielten eine um mehr als 30 Prozent höhere Leistung. Besonders stark profitierten Personen, die bei der Baseline-Messung schwächer abgeschnitten hatten. Bei der Aufgabe außerhalb der KI-Grenze kehrte sich der Effekt jedoch um: Beschäftigte mit KI-Unterstützung fanden die richtige Lösung 19 Prozentpunkte seltener als die Kontrollgruppe. Die Studie zeigt damit eine zentrale Schwierigkeit: Aufgaben, die für Menschen ähnlich komplex erscheinen, können für KI auf unterschiedlichen Seiten ihrer Fähigkeitsgrenze liegen. Wer diese Grenze nicht erkennt und fehlerhafte Ausgaben unkritisch übernimmt, kann mit KI schlechter statt besser arbeiten.

Auch Brynjolfsson et al. (2025) fanden einen deutlichen Produktivitätsgewinn. Mit dem KI-Assistenten lösten die Beschäftigten durchschnittlich 15 Prozent mehr Kundenanliegen pro Stunde. Der Effekt entstand vor allem durch kürzere Bearbeitungszeiten und konzentrierte sich auf weniger erfahrene und leistungsschwächere Beschäftigte. Personen mit zwei Monaten Berufserfahrung erreichten mit KI-Unterstützung ungefähr das Leistungsniveau von Beschäftigten mit sechs Monaten Erfahrung ohne KI. Bei den leistungsstärksten und erfahrensten Beschäftigten waren die Produktivitätsgewinne dagegen gering.

Beide Studien liefern damit starke Evidenz für einen Aufholeffekt: KI kann Wissen und erfolgreiche Kommunikationsmuster schneller zugänglich machen und dadurch Kompetenzunterschiede verringern.

Fazit: KI kann Produktivität deutlich steigern – aber nur, wenn ihre Fähigkeiten zur jeweiligen Aufgabe passen. Ein verantwortungsvoller KI-Einsatz erfordert ausreichend KI-Kompetenz und Klarheit darüber, wo die Fähigkeitsgrenze des Systems verläuft. Außerhalb dieser Grenze kann blindes Vertrauen in KI die Qualität der Arbeit sogar verschlechtern.

KI-Mythos #7: Macht KI Arbeit leichter?

Wenn Künstliche Intelligenz Routineaufgaben übernimmt und Arbeitsprozesse beschleunigt, müsste die Arbeit automatisch leichter werden – könnte man meinen. Die arbeitspsychologische Forschung zeichnet jedoch ein differenzierteres Bild: KI kann Beschäftigte punktuell entlasten, reduziert aber nicht zwangsläufig die gesamte Arbeitsbelastung. Entscheidend ist, welche Aufgaben wegfallen und wie die gewonnene Zeit anschließend genutzt wird.

Studien: Dillon et al. (2025) untersuchten in einem sechsmonatigen, randomisierten Feldexperiment, wie ein generatives KI-Tool die Arbeitsmuster von mehreren tausend Beschäftigten aus 66 Unternehmen veränderte. Analysiert wurden unter anderem die für E-Mails, Dokumente, Meetings und Arbeit außerhalb der regulären Arbeitszeit aufgewendeten Zeiten. Eine zweite Perspektive bietet die Übersichtsarbeit von Lim et al. (2026), die Forschungsergebnisse zum Einsatz medizinischer KI und zu deren Auswirkungen auf Arbeitsaufwand und Versorgungsqualität im Gesundheitskontext beschreibt.

Ergebnis: Bei Dillon et al. (2025) zeigte sich die Entlastung vor allem bei individuell veränderbaren Tätigkeiten. Beschäftigte, die das für die Studie verwendete KI-Tool tatsächlich nutzten, verbrachten bald rund zwei Stunden weniger pro Woche mit E-Mails und arbeiteten seltener außerhalb ihrer regulären Arbeitszeit. Dokumente wurden ebenfalls schneller fertiggestellt. Die Zeit in Meetings sowie die Menge und Zusammensetzung der Aufgaben veränderten sich dagegen nicht signifikant. KI erleichterte somit einzelne Arbeitsprozesse, führte aber nicht zu einer grundlegenden Veränderung des gesamten Arbeitstages.

Auch im medizinischen Bereich liegt das größte Entlastungspotenzial bei wiederkehrenden Tätigkeiten. Lim et al. (2026) berichten, dass generative KI-Systeme für elektronische Patientenakten die Dokumentationszeit um etwa 40 Prozent reduzieren können. Spracherkennung und KI-gestützte Dokumentationssysteme verkürzten die für Patientenakten aufgewendete Zeit signifikant. Die gewonnene Zeit kann medizinischen Fachkräften mehr Raum für den direkten Kontakt und komplexe fachliche Aufgaben geben.

Ob Arbeit dadurch insgesamt leichter wird, bleibt allerdings offen. Wenn KI vor allem einfache Tätigkeiten übernimmt, steigt der relative Anteil anspruchsvoller Aufgaben, die beim Menschen verbleiben. Die Studien belegen nicht, dass diese Verschiebung automatisch zu einer höheren psychischen Belastung führt. Sie zeigen aber, dass Zeitersparnis nicht mit einer proportionalen Verringerung der Arbeit gleichgesetzt werden kann. Unternehmen können die frei werdenden Ressourcen ebenso in höhere Qualitätsansprüche, zusätzliche Aufgaben oder mehr Leistung investieren.

Fazit: KI kann Arbeit punktuell erleichtern, insbesondere indem sie Dokumentation und andere wiederkehrende Tätigkeiten beschleunigt. Sie reduziert die Arbeitsbelastung aber nicht automatisch. Für einen verantwortungsvollen KI-Einsatz sollten Unternehmen deshalb bewusst entscheiden, ob die gewonnene Zeit für bessere Qualität, Weiterbildung, Erholung oder zusätzliche Aufgaben verwendet wird.

KI-Mythos #8: Macht KI uns dumm?

„Wer nicht selbst denkt, wird irgendwann das Denken verlernen“ – so oder ähnlich lautet eine verbreitete Befürchtung rund um Künstliche Intelligenz in der Arbeitswelt. Und tatsächlich kann KI dazu verleiten, kognitive Anstrengung auszulagern und Antworten unkritisch zu übernehmen. Dass uns KI zwangsläufig „dumm“ macht, lässt sich daraus aber nicht ableiten. Entscheidend ist vielmehr, ob wir sie nutzen, um das eigene Denken zu ersetzen oder zu unterstützen.

Studien: Bastani et al. (2025) untersuchten in einem Feldexperiment mit knapp 1.000 Schülerinnen und Schülern an einer weiterführenden Schule, wie sich generative KI auf Leistung und Kompetenzerwerb im Mathematikunterricht auswirkt. Die Jugendlichen arbeiteten entweder ohne KI, mit einem frei antwortenden System nach dem Vorbild von ChatGPT („GPT Base“) oder mit einem didaktisch gestalteten KI-Tutor („GPT Tutor“). Letzterer war so konzipiert, dass er den Lösungsweg durch Hinweise und Rückfragen unterstützte, statt direkt die Antwort vorzugeben.

Rohilla (2025) untersuchte indes den Zusammenhang zwischen intensiver KI-Nutzung und den kognitiven Fähigkeiten von Studierenden. Die Untersuchung kombinierte eine quantitative Befragung von 300 Personen mit 45 qualitativen Interviews.

Ergebnis: Solange die KI verfügbar war, verbesserten beide Systeme bei Bastani et al. (2025) die Leistung in den Übungsaufgaben deutlich. Mit dem frei antwortenden System lag sie 48 Prozent über der Kontrollgruppe, mit dem didaktischen KI-Tutor sogar 127 Prozent. Als die anschließende Prüfung ohne KI stattfand, zeigte sich jedoch ein anderes Bild: Die Gruppe mit dem frei antwortenden System schnitt 17 Prozent schlechter ab als die Kontrollgruppe. Beim didaktischen Tutor wurde dieser negative Effekt weitgehend verhindert. Ein zusätzlicher positiver Lerneffekt gegenüber der Kontrollgruppe konnte nach dem Entzug der KI allerdings auch dort nicht festgestellt werden.

Rohilla (2025) fand bei starker KI-Abhängigkeit niedrigere Werte im kritischen Denken und bei der Erinnerungsleistung. In den Interviews berichteten Studierende zudem von kognitiver Auslagerung, einer geringeren Motivation für vertieftes Lernen und Schwierigkeiten, Aufgaben ohne technische Unterstützung zu lösen.

Preiss und Sternberg (2025) unterscheiden deshalb drei Ebenen: Erstens kann die Leistung mit KI steigen, solange das System verfügbar ist. Zweitens kann die Nutzung Fähigkeiten verändern, die anschließend auch ohne KI bestehen bleiben – positiv oder negativ. Drittens kann KI langfristig beeinflussen, wie Organisationen mit Denken, Lernen und Wissen umgehen. Eine bessere Leistung mit KI ist nicht automatisch ein Beleg dafür, dass auch die menschliche Kompetenz wächst.

Fazit: KI macht uns nicht zwangsläufig „dumm“. Wird sie unreflektiert als Antwortmaschine genutzt, kann sie jedoch eigenständiges Denken und Lernen schwächen. Ein verantwortungsvoller KI-Einsatz sollte deshalb Denkprozesse anregen, statt sie vollständig zu ersetzen. Eine gute Herangehensweise für Beschäftigte ist es, zunächst eigene Lösungsansätze zu entwickeln und KI-Ergebnisse kritisch zu prüfen. Moderne KI-Systeme liefern viele Chancen für proaktive Arbeitsgestaltung. Wie Künstliche Intelligenz dabei souverän als Tool und Sparringspartner genutzt werden kann, lernen Beschäftigte in unserer Schulung Arbeitsgestaltung mit KI.

KI-Mythos #9: Erfordert KI neue Führungskompetenzen?

Künstliche Intelligenz verändert Aufgaben, Rollen und Formen der Zusammenarbeit in Unternehmen. In diesem Transformationsprozess geben die Prinzipien von transformationaler Führung und von Identity Leadership Führungskräften Orientierung. Transformationale Führung und Identity Leadership ergänzen sich gegenseitig und bauen auf einem soliden arbeitspsychologischen Forschungsfundament auf.

Studien: Wang et al. (2025) untersuchten, wie transformationale Führung die KI-Nutzung von Beschäftigten beeinflusst. Transformational zu führen bedeutet, eine inspirierende Vision zu vermitteln, als Vorbild zu wirken, selbstständiges Denken zu fördern und die individuellen Bedürfnisse der Beschäftigten zu berücksichtigen. He et al. (2025) beschäftigten sich ergänzend mit der Frage, wie Kommunikation während KI-Einführungsprozessen gestaltet sein sollte. Wang et al. (2026) untersuchten an knapp 500 Beschäftigten, wie sich die Komplexität von Mensch-KI-Zusammenarbeit auf das Arbeitsengagement auswirkt. Darüber hinaus frage sich die Forschergruppe, welche Rolle eine unterstützende, von Bescheidenheit geprägte Führung sowie die KI-bezogene Selbstwirksamkeit von Beschäftigten dabei spielen.

Auch die Forschung zu Identity Leadership liefert eine wichtige Grundlage. Sie zeigt, dass Führung besonders wirksam ist, wenn Führungskräfte ein gemeinsames „Wir“ schaffen, die Identität der Gruppe verkörpern und im Interesse dieser Gruppe handeln (Steffens et al., 2021). Dem Thema Identity Leadership haben wir einen eigenen Blogbeitrag gewidmet; Sie finden ihn hier.

Ergebnis: Transformationale Führung fördert die Nutzung von KI vor allem, indem Beschäftigte organisationale Unterstützung erleben und das Gefühl bekommen, mit neuen Anforderungen nicht allein gelassen zu werden. Ein stark wettbewerbsorientiertes Arbeitsklima kann diesen positiven Effekt dagegen abschwächen (Wang et al., 2025). Ebenso wichtig ist eine klare, akkurate und rechtzeitige Kommunikation darüber, warum KI eingeführt wird, wie sie eingesetzt werden soll und welche Lernangebote zur Verfügung stehen. Eine solche Kommunikation geht mit höherem Engagement und besseren KI-bezogenen Arbeitsergebnissen einher (He et al., 2025).

Wang et al. (2026) zeigen zudem: Komplexe KI-Aufgaben können das Arbeitsengagement beeinträchtigen, wenn Beschäftigte sich den Anforderungen nicht gewachsen fühlen. Unterstützende Führung kann die KI-bezogene Selbstwirksamkeit stärken – also das Vertrauen in die eigene Fähigkeit, Aufgaben mit KI erfolgreich zu bewältigen. Damit werden Lernräume und ein konstruktiver Umgang mit Fehlern zu wichtigen Voraussetzungen für einen souveränen KI-Einsatz.

Fazit: Wer eine nachvollziehbare Vision vermittelt, selbst als Vorbild handelt, psychologische Sicherheit schafft, individuelle Lernprozesse unterstützt und ein gemeinsames „Wir“ stärkt, besitzt einen wichtigen Hebel für eine erfolgreiche KI-Transformation. Neu ist vor allem der technologische Kontext, nicht die zugrundeliegenden menschlichen Bedürfnisse. Mehr dazu lesen Sie in unserem Blogbeitrag „KI-Einführung in Unternehmen„.

Fazit zum Thema KI-Mythen

Wo Unternehmen in Deutschland bei der KI-Einführung stehen, unterscheidet sich erheblich. Während mancherorts noch Arbeitsprozesse, regulatorische Fragen und grundsätzliche Einsatzmöglichkeiten geklärt werden, ist Künstliche Intelligenz andernorts bereits als Sparringspartner und fester Bestandteil des Arbeitsalltags etabliert. Für jede mögliche Ausgangslage lohnt sich jedoch eine ehrliche Standortbestimmung: Wo stehen wir – und wo wollen wir hin? Arbeitspsychologisch fundierte Instrumente schaffen dafür eine solide Grundlage. Mit Ihrer Hilfe lassen sich die richtigen Ansatzpunkte für evidenzbasierte und agile Organisationsentwicklung im Bereich KI-Transformation identifizieren.

Quellenverzeichnis zum Blogbeitrag „KI-Mythen“

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122
• Bigman, Y. E., Wilson, D., Arnestad, M. N., Waytz, A., & Gray, K. (2023). Algorithmic discrimination causes less moral outrage than human discrimination. Journal of Experimental Psychology: General, 152(1), 4–27. https://doi.org/10.1037/xge0001250
• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
• Dastin, J. (2018, 10. Oktober). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG
• Dell’Acqua, F., McFowland, E., III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
• Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting work patterns with generative AI (NBER Working Paper No. 33795). National Bureau of Economic Research. https://doi.org/10.3386/w33795
• Frimpong, V. (2025). The impact of AI on evolving leadership theories and practices. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5221992
• He, F., Liu, X., Naveed, R. T., Muneer, S., Singh, A., & Tripathi, A. (2025). Trust, tools, and talk: Unlocking employee creative behavior through AI communication in financial services. Acta Psychologica, 260, Article 105736. https://doi.org/10.1016/j.actpsy.2025.105736
• Hoffmann, M., Wollstein, C., Zimber, F., & Tausch, A. (2026). Working with AI: How team cohesion depends on perceiving the AI as a tool or a partner. Research for People in Organizations, 2, Article e17157. https://doi.org/10.5964/rpio.17157
• Howcroft, A., Bennett-Weston, A., Khan, A., Griffiths, J., Gay, S., & Howick, J. (2025). AI chatbots versus human healthcare professionals: A systematic review and meta-analysis of empathy in patient care. British Medical Bulletin, 156(1), Article ldaf017. https://doi.org/10.1093/bmb/ldaf017
• Lanz, L., Briker, R., & Gerpott, F. H. (2024). Employees adhere more to unethical instructions from human than AI supervisors: Complementing experimental evidence with machine learning. Journal of Business Ethics, 189(3), 625–646. https://doi.org/10.1007/s10551-023-05393-1
• Lim, J.-Y., Kim, K.-H., & Mun, S.-K. (2026). How does medical artificial intelligence revolutionize physician productivity? Yonsei Medical Journal, 67(1), 1–8. https://doi.org/10.3349/ymj.2025.0389
• Musick, G., O’Neill, T. A., Schelble, B. G., McNeese, N. J., & Henke, J. B. (2021). What happens when humans believe their teammate is an AI? An investigation into humans teaming with autonomy. Computers in Human Behavior, 122, Article 106852. https://doi.org/10.1016/j.chb.2021.106852
• Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
• Oracle & Future Workplace. (2019). From fear to enthusiasm: Artificial intelligence is winning more hearts and minds in the workplace. https://www.oracle.com/webfolder/s/assets/ebook/ai-work/index.html
• Preiss, D. D., & Sternberg, R. J. (2025). Human intelligence, creativity, and wisdom in the age of generative artificial intelligence. Creativity. Theories – Research – Applications, 12(2), 73–96. https://doi.org/10.2478/ctra-2025-0012
• Rohilla, A. (2025). Impact of excessive AI tool usage on the cognitive abilities of undergraduate students: A mixed method study. Advance Social Science Archive Journal, 4(1), 2131–2143. https://doi.org/10.55966/assaj.2025.4.1.0115
• Ruiz-Vanoye, J. A., Aguilar-Ortiz, J., Diaz-Parra, O., Barrera-Cámara, R. A., Fuentes-Penna, A., Ruiz-Jaimes, M. Á., Toledo-Navarro, Y., Vera-Jiménez, M. A., Ortiz-Montes, A., & Valdez-Acosta, M. T. (2026). Emotional AI in the workplace: Systematic review of effects on employee well-being, productivity, and organizational performance. International Journal of Combinatorial Optimization Problems and Informatics, 17(3), 146–165. https://doi.org/10.61467/2007.1558.2026.v17i3.1398
• Steffens, N. K., Munt, K. A., van Knippenberg, D., Platow, M. J., & Haslam, S. A. (2021). Advancing the social identity theory of leadership: A meta-analytic review of leader group prototypicality. Organizational Psychology Review, 11(1), 35–72. https://doi.org/10.1177/2041386620962569
• Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
• Van Quaquebeke, N., & Gerpott, F. H. (2023). The now, new, and next of digital leadership: How artificial intelligence (AI) will take over and change leadership as we know it. Journal of Leadership & Organizational Studies, 30(3), 265–275. https://doi.org/10.1177/15480518231181731
• Wang, B., Liu, S., & Luo, C. (2026). How does human-AI collaboration task complexity affect employee work engagement? The roles of humble leadership and AI self-efficacy. Frontiers in Psychology, 17, Article 1767967. https://doi.org/10.3389/fpsyg.2026.1767967
• Wang, H.-Y., Liu, R.-H., & Ao, L. (2025). Transformational leadership and employee AI usage: The role of perceived organizational support and competitive workplace climate. Frontiers in Psychology, 16, Article 1581337. https://doi.org/10.3389/fpsyg.2025.1581337
• Wenger, J. D., Cameron, C. D., & Inzlicht, M. (2026). People choose to receive human empathy despite rating AI empathy higher. Communications Psychology, 4, Article 19. https://doi.org/10.1038/s44271-025-00387-3