THESENPAPIER 2026 · DEEP DIVE #1

    Agentic AI: Wird menschliche Arbeit zur Resterampe der KI?

    20. Oktober 2026 · Christiane Brandes-Visbeck, Deutsche Digitale Beiräte e.V.

    Agentic AI: Wird menschliche Arbeit zur Resterampe der KI?
    Foto: Deutsche Digitale Beiräte e.V.

    Wenn KI-Agenten immer mehr Aufgaben übernehmen, stellt sich eine neue Führungsfrage: Was macht gute Arbeit künftig aus?

    Deep Dive zu These 3: KI-Agenten verändern das Operating Model grundlegend

    Wie anspruchsvoll es ist, Unternehmensstrategien in funktionierende Prozesse und Strukturen zu übersetzen, weiß ich aus vielen Jahren in Führungs- und Beratungsrollen - unter anderem aus meiner Zeit als Strategieberaterin für die Volkswagen Group. Ob Digitalisierung, Agilisierung oder jetzt Agentic AI: Transformation verlangt immer auch eine Neugestaltung des Operating Models, also der Prozesse, Rollen, Entscheidungsrechte und Verantwortlichkeiten.

    Allerdings erreicht diese Aufgabe mit Agentic AI eine neue Dimension. KI-Agenten können nicht nur einzelne Arbeitsschritte unterstützen, sondern möglichst innerhalb definierter Grenzen selbstständig handeln und ganze Prozessketten bearbeiten.

    In These 3 unseres Thesenpapiers „KI-Agenten im Mittelstand“ haben wir deshalb argumentiert: Unternehmen müssen ihre Prozesse neu denken und die Arbeit zwischen Menschen und Agenten anders organisieren.

    Mich beschäftigt beim Design von funktionierenden Target Operating Models (TOM) seit vielen Jahren besonders eine Frage:

    Wie gestalten wir Wertschöpfung mit den Menschen und nicht auf ihre Kosten?

    Denn ein effizienterer Prozess bedeutet noch lange nicht, dass auch die Arbeit der Menschen besser wird. Welche Aufgaben bleiben ihnen? Wo können sie ihre Fähigkeiten weiterentwickeln? Wie viel Selbstbestimmung behalten sie?

    Diese Fragen gehören von Anfang an in die Gestaltung des Zielbetriebsmodells.

    1. Wenn für Menschen nur die schwierigen Fälle bleiben

    Ein Kunde ist verärgert. Er hat sein Anliegen bereits einem KI-Agenten geschildert, doch das Problem ist nicht gelöst. Jetzt übernimmt ein Mensch. Er muss zunächst verstehen, was der Agent getan hat, anschließend den Fehler beheben und gleichzeitig einen frustrierten Kunden beruhigen.

    Solche Situationen sind keine ferne Zukunftsvision. Eine 2026 veröffentlichte Feldstudie auf der chinesischen Handelsplattform Taobao untersuchte, was geschieht, wenn autonome Service-Agenten Kundenanfragen bearbeiten und Beschäftigte bei Bedarf eingreifen.

    Die Forschenden fanden einen bemerkenswerten Widerspruch: Die Bearbeitung wurde schneller, doch bei bestimmten, durch KI-Agenten bearbeiteten Gesprächen verschlechterten sich die Kundenbewertungen. Besonders schwierig waren Übergaben, bei denen Kunden bereits emotional aufgebracht waren. Die menschlichen Beschäftigten beteiligten sich in solchen Situationen weniger intensiv an der Problemlösung. [1]

    Die Studie belegt nicht, dass die Beschäftigten unzufriedener mit ihrer Arbeit waren. Sie zeigt aber, dass die Übergabe zwischen KI-Agent und Mensch mehr ist als ein technischer Prozessschritt. Sie verändert die Anforderungen an die Menschen, die anschließend übernehmen.

    Wer Prozesse ausschließlich nach Geschwindigkeit und Automatisierungsgrad bewertet, übersieht möglicherweise, wie sich die Arbeit der Menschen dadurch verändert.

    Denn, wenn Agenten die einfachen Fälle erledigen und Menschen vor allem bei Problemen eingreifen, entsteht eine unbequeme Frage:

    Wird menschliche Arbeit dadurch besser - oder bleibt für Menschen vor allem das übrig, was Maschinen nicht bewältigen können?

    2. New Work: Eine alte Frage wird wieder aktuell

    Der Philosoph und Anthropolog Frithjof Bergmann beschäftigte sich schon vor Jahrzehnten mit den Folgen technologischer Automatisierung auf die Zukunft der Arbeit. Seine Idee von New Work entstand aus der Auseinandersetzung mit industriellem Strukturwandel und drohendem Arbeitsplatzverlust.

    Bergmann interessierte sich nicht nur dafür, wie Menschen weiterhin beschäftigt werden konnten. Er fragte, welche Arbeit sie „wirklich, wirklich“ tun wollten. Technologischer Fortschritt sollte ihnen mehr Selbstbestimmung ermöglichen und Freiräume für Tätigkeiten eröffnen, die sie als sinnvoll und erfüllend erleben. [3]

    2018 habe ich gemeinsam mit Susanne Thielecke das Buch Fit für New Work geschrieben. Damals ging es darum, wie Menschen in einer digitalisierten, zunehmend vernetzten Arbeitswelt erfolgreich bestehen können. Wir beschäftigten uns mit neuen Arbeitsformen, Coworking, Selbstorganisation, Netzwerken, Führung und veränderten Geschäftsmodellen. [4]

    Die Digitalisierung veränderte vor allem, wie, wo und mit welchen Tools Menschen arbeiteten. Agentic AI verschiebt die Frage: Welche Arbeit übernehmen Menschen künftig überhaupt noch selbst?

    Damit wird Bergmanns ursprünglicher Gedanke erneut relevant. Wenn Technologie Menschen Arbeit abnimmt, sollte sich daraus nicht nur ein wirtschaftlicher Vorteil ergeben. Es eröffnet sich auch die Möglichkeit, Arbeit anders und besser zu gestalten.

    Was bedeutet „bessere Arbeit"?

    Die Arbeitspsychologie liefert darauf differenziertere Antworten als die verbreitete Vorstellung, dass anspruchsvollere Aufgaben automatisch motivierender seien. Richard Hackman und Greg Oldham beschrieben bereits 1976 fünf Merkmale motivierender Arbeit: die Vielfalt eingesetzter Fähigkeiten, die Möglichkeit, eine Aufgabe als Ganzes zu bearbeiten, ihre Bedeutung sowie Selbstständigkeit und Rückmeldung über das Ergebnis. Ihr Modell berücksichtigt, dass Menschen unterschiedlich auf anspruchsvolle Tätigkeiten reagieren. [5]

    Diese Unterschiede werden bei der Neuverteilung von Arbeit durch KI-Agenten entscheidend.

    Denn Menschen möchten nicht alle dasselbe. Manche lieben schwierige Probleme. Andere schätzen vertraute Abläufe, die sie sicher beherrschen. Viele erleben gerade die Mischung als befriedigend: etwas Neues lernen, Routineaufgaben erledigen, mit anderen zusammenarbeiten und am Ende sehen, was sie geschafft und geschaffen haben.

    Arbeitsfreude entsteht nicht allein durch Herausforderung. Auch Können, Vertrautheit, Selbstwirksamkeit und das Erleben eines abgeschlossenen Ergebnisses können dazu beitragen.

    Daraus ergeben sich drei Denkfehler, die Unternehmen bei der Einführung von Agentic AI vermeiden sollten.

    3. Denkfehler über die Zukunft menschlicher Arbeit

    Denkfehler 1: Wenn KI die langweilige Arbeit übernimmt, bleibt für Menschen die interessante Arbeit.

    Stellen wir uns eine Mitarbeiterin im Kundenservice vor. Bisher bearbeitet sie einfache und schwierige Anliegen, hilft zufriedenen wie verärgerten Kunden und entwickelt mit der Zeit ein Gespür für typische Probleme. Künftig übernimmt ein Agent sämtliche Standardanfragen. Die Mitarbeiterin wird nur noch eingeschaltet, wenn etwas schiefgeht. Ihre Aufgaben sind anspruchsvoller geworden. Aber sie hat möglicherweise weniger Abwechslung, weniger unmittelbare Erfolgserlebnisse und mehr Konflikte.

    Für die Arbeitsfreude ist das ein wichtiger Unterschied. Schwierige Fälle können motivieren, wenn Menschen sie eigenständig lösen und Erfolge erleben. Werden sie jedoch vor allem zum Reparaturdienst für gescheiterte Agentenprozesse, droht eine Arbeit, die zunehmend aus Eskalationen, Frust und Fehlerkorrekturen besteht. Die befriedigende Mischung aus Routine, Herausforderung und gelungenen Abschlüssen kann verloren gehen.

    Die Taobao-Studie misst zwar keine Arbeitsfreude, sie macht aber deutlich, warum höhere Prozesseffizienz allein noch nichts über die Qualität der verbleibenden menschlichen Arbeit aussagt. [1]

    Diese Erkenntnis liefert kein Argument dafür, möglichst viele Routinen zu erhalten. Sie ist ein Argument dafür, die menschliche Arbeit nicht ausschließlich danach zu gestalten, was sich technisch automatisieren lässt. Unternehmen sollten wissen, welche Tätigkeiten ihre Beschäftigten als befriedigend erleben, welche sie belasten und welche Mischung sie benötigen, um dauerhaft gut und ergebnisorientiert arbeiten zu können.

    Denkfehler 2: Was KI übernimmt, müssen Menschen nicht mehr können.

    Eine Untersuchung von Erik Brynjolfsson, Danielle Li und Lindsey Raymond mit 5.179 Beschäftigten im Kundenservice zeigte schon 2023, wie stark generative KI das Lernen unterstützen kann. Die Produktivität stieg im Durchschnitt um 14 Prozent, bei weniger erfahrenen und geringer qualifizierten Beschäftigten um 34 Prozent. Die Forschenden fanden Hinweise darauf, dass das System bewährte Vorgehensweisen erfahrener Kollegen verfügbar machte. [6]

    Das ist zunächst eine Erfolgsgeschichte. Allerdings untersuchten die Forschenden einen KI-Assistenten. Die Beschäftigten bearbeiteten ihre Fälle weiterhin selbst. Bei autonomen KI-Agenten kann sich die Situation grundlegend verändern. Wenn ein System Aufgaben vollständig übernimmt, entfällt möglicherweise auch die Gelegenheit, mit ihnen Erfahrungen zu sammeln.

    Ein junger Einkäufer entwickelt sein Verhandlungsgeschick nicht allein durch die Analyse erfolgreicher Verhandlungen. Eine Sachbearbeiterin lernt Sonderfälle besser zu beurteilen, wenn sie zuvor zahlreiche normale Fälle bearbeitet hat. Und eine Führungskraft entwickelt Urteilskraft auch dadurch, dass sie die Folgen eigener Entscheidungen erlebt.

    Wenn KI-Agenten solche Aufgaben übernehmen, müssen Unternehmen andere Lerngelegenheiten schaffen. Beispielsweise indem Nachwuchskräfte ausgewählte Vorgänge weiterhin vollständig bearbeiten, eigene Lösungen entwickeln, bevor sie Agentenergebnisse sehen, oder Entscheidungen gemeinsam mit erfahrenen Kollegen auswerten.

    Diese Gestaltungsoptionen sind keine Patentrezepte. Ihr gemeinsamer Gedanke ist jedoch wichtig: Kompetenzentwicklung muss Bestandteil des Arbeitsprozesses bleiben. Sonst könnte ein Unternehmen kurzfristig produktiver werden und langfristig die Fähigkeiten verlieren, auf die es angewiesen ist, wenn KI-Agenten Fehler machen oder an ihre Grenzen stoßen.

    Denkfehler 3: Wenn KI selbstständiger wird, werden Menschen freier.

    Agentic AI verspricht Entlastung. Agenten sollen wiederkehrende Aufgaben erledigen, damit Menschen mehr Zeit für anspruchsvolle Tätigkeiten haben. Das kann funktionieren. Es kann aber auch anders kommen.

    Ein Agent kann Beschäftigten Informationen beschaffen, Arbeit vorbereiten und Entscheidungen erleichtern. Er kann ebenso Arbeitsabläufe vorgeben, die Reihenfolge von Aufgaben bestimmen und Menschen fortlaufend mit Fällen versorgen, die ihre Aufmerksamkeit verlangen. Dann gewinnt die Maschine an Handlungsspielraum, während der Mensch zunehmend auf Anforderungen des Systems reagiert.

    Untersuchungen zu algorithmischer Arbeitssteuerung zeigen, dass digitale Systeme sowohl entlasten als auch Arbeitsverdichtung und neue Kontrollmöglichkeiten schaffen können. Diese Befunde stammen nicht unmittelbar aus dem Einsatz autonomer Agenten. Sie verdeutlichen jedoch, warum technische Autonomie und menschlicher Selbstbestimmung zusammengedacht werden müssen. [7]

    Die Selbstbestimmungstheorie von Edward Deci und Richard Ryan beschreibt drei grundlegende psychologische Bedürfnisse: Autonomie, Kompetenzerleben und soziale Eingebundenheit. Ihre Erfüllung hängt mit selbstbestimmter Motivation, Arbeitszufriedenheit und beruflicher Leistung zusammen. [8]

    Das bedeutet nicht, dass Menschen ausschließlich dann produktiv sind, wenn sie Freude an ihrer Arbeit haben. Leistung kann auch unter Druck entstehen. Die Forschung liefert aber gute Gründe, Motivation und Selbstbestimmung als wichtige Bedingungen nachhaltiger Leistungsfähigkeit ernst zu nehmen.

    Für Agentic AI ergibt sich daraus eine konkrete Führungsfrage: Wie viel Einfluss behalten Beschäftigte auf ihre Arbeit, wenn Agenten zunehmend eigenständig handeln? Dürfen sie Entscheidungen des Systems hinterfragen, Abläufe verändern und Aufgaben anders verteilen? Oder beschränkt sich ihre Rolle darauf, Fehler zu korrigieren und Eskalationen abzuarbeiten?

    4. Das Operating Model entscheidet

    Ein Operating Model beschreibt, wie ein Unternehmen seine Strategie in Wertschöpfung übersetzt: durch Prozesse, Rollen, Entscheidungsrechte, Fähigkeiten und Steuerung.

    Agentic AI greift in alle diese Bereiche ein. Wenn Agenten eigenständig Vorgänge bearbeiten, verändern sie nicht nur einzelne Tätigkeiten. Sie können Aufgaben über Abteilungsgrenzen hinweg übernehmen, Informationen aus unterschiedlichen Systemen zusammenführen und Aktionen auslösen, für die bislang mehrere Beschäftigte zuständig waren.

    Damit stellt sich eine grundsätzliche Entscheidung vor der Gestaltung des Target Operating Models:

    Automatisieren wir die bisherigen Abläufe möglichst weit? Oder nutzen wir die neue Technologie, um Arbeit insgesamt anders zu organisieren?

    Beides kann wirtschaftlich sinnvoll sein. Aber es führt nicht zwangsläufig zum selben Ergebnis.

    Ein Kundenservice könnte beispielsweise so organisiert werden, dass Agenten sämtliche geeigneten Standardfälle abschließen und Menschen ausschließlich Eskalationen bearbeiten. Alternativ könnten Teams weiterhin die Verantwortung für bestimmte Kundengruppen und vollständige Vorgänge tragen, während Agenten Recherche, Vorbereitung und einzelne Bearbeitungsschritte übernehmen.

    Welches Modell bessere Ergebnisse liefert, hängt unter anderem von Kosten, Qualität, Kundenanforderungen und der Leistungsfähigkeit der Agenten ab. Auch die Folgen für die Beschäftigten müssen berücksichtigt werden. Automatisierung kann Kosten senken und Prozesse beschleunigen. Zugleich müssen Beschäftigte kompetent bleiben, Verantwortung übernehmen können und ihre Arbeit als sinnvoll und befriedigend erleben.

    Das verlangt eine Ausbalancierung unterschiedlicher Unternehmensinteressen.

    Diese Ziele können sich ergänzen. Sie können aber auch miteinander konkurrieren. Vielleicht wäre es kurzfristig günstiger, sämtliche einfachen Fälle zu automatisieren. Vielleicht ist es langfristig sinnvoller, bestimmte Aufgaben für Ausbildung und Erfahrungserwerb zu erhalten. Solche Entscheidungen lassen sich nicht allein anhand einer Automatisierungsquote treffen.

    Was Unternehmen messen – und was nicht

    Die bisher beschriebenen Anwendungsfälle von Agentic AI zeigen vor allem, wie Unternehmen ihre Erfolge bewerten. Sie berichten über autonom bearbeitete Vorgänge, kürzere Durchlaufzeiten, geringere Kosten und weniger Eskalationen. Das sind wichtige Kennzahlen. Sie zeigen, ob Agenten die erwartete Leistung erbringen.

    Über die Qualität der neu entstehenden menschlichen Arbeit sagen sie wenig aus.

    Die Forschung zu generativer KI und algorithmischer Arbeitssteuerung liefert Hinweise auf Produktivitätsgewinne, neue Lernmöglichkeiten, aber auch Arbeitsverdichtung und Kontrollverlust. Belastbare Langzeituntersuchungen darüber, wie autonome KI-Agenten Arbeitsfreude, Kompetenzentwicklung und Selbstbestimmung verändern, sind bislang deutlich begrenzter. [6–8]

    Damit entsteht eine Lücke, die nicht nur die Forschung betrifft, sondern auch die Unternehmenssteuerung.

    Wer ein Agentisches Operating Model einführt, sollte deshalb nicht ausschließlich messen, was Agenten leisten. Ebenso wichtig ist, was sich für Menschen verändert: Welche Aufgaben übernehmen sie? Wie erleben sie ihre Arbeit? Wie entwickeln sich Belastung, Selbstbestimmung und Lernmöglichkeiten? Welche Fähigkeiten werden aufgebaut, welche gehen möglicherweise verloren?

    Arbeitsfreude muss dabei nicht gegen Wirtschaftlichkeit ausgespielt werden. Die Arbeitspsychologie zeigt Zusammenhänge zwischen Selbstbestimmung, Motivation und Leistung. Sie garantiert allerdings nicht, dass jede Verbesserung der Arbeitsbedingungen unmittelbar die Produktivität erhöht. [8] Gerade deshalb müssen Unternehmen beide Seiten beobachten und Zielkonflikte sichtbar machen.

    Für Geschäftsführungen ist das eine Frage der Organisationsgestaltung. Für Beiräte und Aufsichtsgremien wird daraus eine Frage der langfristigen Zukunftsfähigkeit.

    5. Was Beiräte fragen müssen

    Die Einführung von Agentic AI wird in vielen Unternehmen zunächst mit klassischen Business Cases begründet: geringere Prozesskosten, kürzere Bearbeitungszeiten, höhere Kapazitäten und bessere Qualität. Diese Kennzahlen gehören auf den Tisch. Sie reichen aber nicht aus, um die langfristigen Folgen einer veränderten Arbeitsorganisation zu beurteilen. Ein Unternehmen kann kurzfristig effizienter werden und gleichzeitig Fachwissen verlieren, Beschäftigte überlasten oder seine Attraktivität als Arbeitgeber schwächen.

    Vier Fragen sind aus meiner Sicht entscheidend:

    1. Wo entsteht tatsächlich Wert?

    Welche Geschäftsprozesse werden durch Agenten verbessert, und wie wird der wirtschaftliche Nutzen nachgewiesen?

    2. Welche Arbeit entsteht für Menschen?

    Werden Tätigkeiten vielfältiger und selbstbestimmter? Oder konzentrieren sich schwierige Fälle, Kontrollen und Belastungen bei einzelnen Beschäftigtengruppen? Wie wird die Arbeitszufriedenheit erfasst?

    3. Wie bleibt das Unternehmen lernfähig?

    Wo sammeln Beschäftigte künftig Erfahrung, wenn Agenten bisherige Einstiegsaufgaben übernehmen? Wie werden Fachwissen und Urteilskraft erhalten?

    4. Wer verantwortet die Folgen?

    Wer entscheidet über den Handlungsspielraum der Agenten, überprüft die Auswirkungen auf Beschäftigte und Ergebnisse und korrigiert das Operating Model, wenn Erwartungen nicht erfüllt werden?

    Damit übernimmt ein Beirat oder Aufsichtsrat keine operative Personalverantwortung. Er nimmt seine Aufgabe wahr, die langfristige Leistungs- und Zukunftsfähigkeit des Unternehmens im Blick zu behalten. Die Qualität menschlicher Arbeit gehört deshalb nicht als soziale Zusatzkennzahl an den Rand einer KI-Strategie. Sie muss bei der Bewertung der Organisationsveränderung berücksichtigt werden.

    Als Frithjof Bergmann seine Vorstellung von New Work entwickelte, ging es ihm nicht darum, Menschen möglichst effizient auf die verbleibenden Tätigkeiten zu verteilen. Er wollte technologischen Fortschritt nutzen, um Arbeit selbstbestimmter und erfüllender zu gestalten.

    2018 fragten wir in Fit für New Work “ wie Menschen in einer neuen Arbeitswelt erfolgreich bestehen können. Heute müssen wir uns erneut fragen, wie wir diese Arbeitswelt so gestalten, dass Menschen wieder gerne arbeiten.

    Quellen:

    [1] Feldstudie zu autonomen Service-Agenten und menschlichen Eingriffen auf Taobao (2026): „Agentic AI and Human-in-the-Loop Interventions“. Studie auf arXiv.

    [2] Deutsche Digitale Beiräte (2026): „KI-Agenten im Mittelstand. Entscheidungsfähigkeit, Wertschöpfung und Governance in der Agentenökonomie“, These 3.

    [3] Frithjof Bergmann (2004): „New Work, New Culture“.

    [4] Christiane Brandes-Visbeck und Susanne Thielecke (2018): „Fit für New Work“. Redline Verlag. Verlagsinformationen.

    [5] J. Richard Hackman und Greg R. Oldham (1976): „Motivation through the Design of Work: Test of a Theory“. Organizational Behavior and Human Performance, 16(2), 250–279. DOI.

    [6] Erik Brynjolfsson, Danielle Li und Lindsey R. Raymond (2023): „Generative AI at Work“. NBER Working Paper 31161.

    [7] OECD: Forschung zu algorithmischer Arbeitssteuerung und Arbeitsqualität, insbesondere „Exploring Win-Win Outcomes of Algorithmic Management“.

    [8] Edward L. Deci, Anja H. Olafsen und Richard M. Ryan (2017): „Self-Determination Theory in Work Organizations: The State of a Science“. Annual Review of Organizational Psychology and Organizational Behavior. DOI.

    Zur Evidenzlage:

    Die arbeitspsychologischen Studien untersuchen Motivation und Arbeitsgestaltung allgemein, die Kundenservice-Studie von Brynjolfsson et al. Generative KI als Assistenzsystem. Ihre Ergebnisse sind keine direkten Wirkungsnachweise für autonome Agenten. Die daraus abgeleiteten Fragen an Führung und Governance sind entsprechend als strategische Schlussfolgerungen zu verstehen.

    Haben Sie Fragen?

    In unseren FAQ finden Sie kompakte Antworten zu den wichtigsten Fragen.

    FAQ ansehen