Generative KI sollte Arbeit leichter machen. Weniger Routine, mehr Zeit für die wichtigen Dinge. Das war das Versprechen. Die Realität sieht anders aus: In einer im Februar 2026 im Harvard Business Review veröffentlichten Studie zeigen Aruna Ranganathan und Xingqi Maggie Ye von der UC Berkeley Haas School of Business, dass KI-Tools Arbeit nicht reduzieren, sondern verdichten. Mehr Tempo, mehr Aufgaben, weniger Pausen, schleichende Erschöpfung.
Das deckt sich mit dem, was der Workforce Trends Report 2026 von DHR Global zeigt: 52 Prozent aller Beschäftigten sagen mittlerweile, dass Burnout ihr Engagement senkt – im Vorjahr waren es 34 Prozent, ein Anstieg um mehr als die Hälfte in zwölf Monaten. 83 Prozent erleben zumindest ein gewisses Maß an Burnout; die Hauptursachen sind erdrückende Workloads (48 Prozent) und zu viele Stunden (40 Prozent).
Zwei Studien, dasselbe Bild: KI macht Arbeit nicht leichter, sondern härter.
200 intrinsisch motivierte Leute, die KI wirklich wollten
Das Besondere an der Berkeley-Studie ist ihr Setting. Die Forscherinnen haben acht Monate lang ein US-Tech-Unternehmen mit rund 200 Beschäftigten begleitet – zwei Tage pro Woche vor Ort, interne Slack-Kanäle mitgelesen, über 40 Tiefeninterviews geführt, quer durch Engineering, Produkt, Design, Research und Operations.
Der entscheidende Punkt: Die Firma hatte KI-Tools bereitgestellt, aber niemandem vorgeschrieben, sie zu benutzen. Kein Management-Mandat, keine KPIs für KI-Nutzung, kein Druck. Wer die Tools nutzte, tat es aus eigenem Antrieb. 200 intrinsisch motivierte Menschen, die KI als Chance begriffen und freiwillig in ihren Arbeitsalltag integrierten.
Und genau das macht die Ergebnisse so unbequem. Denn diese Leute – die Begeisterten, die Early Adopter, die, von denen sich jedes Unternehmen mehr wünscht – arbeiteten nicht weniger. Sie arbeiteten mehr. Nicht ein bisschen, sondern strukturell anders: schnellerer Takt, breiterer Aufgabenumfang, weniger Grenzen zwischen Arbeit und Nicht-Arbeit. Die Forscherinnen nennen das „Intensivierung" und beschreiben drei Mechanismen, die sich gegenseitig hochschaukeln.
Mechanismus 1: Wenn alle plötzlich alles machen
Der erste Mechanismus: Menschen übernehmen Aufgaben, die nicht ihre sind. Product Manager fangen an zu coden, Researcher lösen Engineering-Tickets, Designer schreiben Datenbankabfragen. Nicht weil es jemand verlangt, sondern weil KI die Einstiegshürde so weit senkt, dass es sich anfühlt, als könnte man es einfach mal probieren.
Und man kann es probieren. Das ist ja das Verführerische daran. KI gibt sofort Feedback, korrigiert Fehler, schlägt nächste Schritte vor. In einem Gebiet, in dem man gestern noch hilflos war, fühlt man sich plötzlich kompetent. Das ist ein echter kognitiver Kick, fast ein High.
Nur: In der Summe quillt der Scope jedes einzelnen Jobs auf. Aufgaben, die früher an Spezialist:innen gingen oder für die man zusätzliche Leute eingestellt hätte, werden absorbiert. Von Leuten, die neben ihrem eigentlichen Job jetzt auch noch Dinge tun, für die sie weder ausgebildet noch eingeplant sind. Niemand passt Stellenbeschreibungen an oder reduziert die ursprünglichen Aufgaben; die neuen kommen einfach obendrauf.
Das hat einen Dominoeffekt: Die Ergebnisse dieses Ausprobierens müssen irgendwann jemand prüfen. In der Studie waren es die Senior Engineers, die zunehmend ihre Tage damit verbrachten, halbfertige Pull Requests und Vibe-Coding-Artefakte ihrer Kolleg:innen zu reviewen. Nicht in formellen Code-Reviews, sondern nebenbei: in Slack-Threads, in kurzen Gesprächen am Schreibtisch, zwischen zwei eigenen Aufgaben. Die erfahrensten Leute im Team werden zum Qualitätsfilter für Arbeit, die vorher gar nicht existierte.
Mechanismus 2: Arbeit wird zu etwas, das immer da ist
Der zweite Mechanismus ist subtiler und vielleicht deshalb gefährlicher. KI macht den Einstieg in jede Aufgabe so niedrigschwellig, dass die Überwindung wegfällt. Kein leeres Blatt mehr, kein unbekannter Startpunkt. Ein Prompt reicht.
Das klingt nach Effizienz. In der Praxis bedeutet es: Jede Lücke im Tag wird füllbar. Mittagspause, Wartezeit vor einem Meeting, der Moment vorm Losgehen abends. „Noch schnell einen Prompt absetzen, damit die KI arbeiten kann, während ich weg bin." Das dauert 30 Sekunden und fühlt sich nicht nach Arbeit an, weil Prompting eher wie Chatten wirkt als wie ein formaler Arbeitsschritt.
Aber diese 30-Sekunden-Momente summieren sich. Nach ein paar Wochen hat man einen Arbeitstag ohne natürliche Pausen. Mittagspause wird zur Prompt-Session, der Feierabend beginnt mit „nur noch kurz das Ergebnis checken", und am Sonntagabend bereitet man „schon mal etwas vor", weil es ja so schnell geht.
Mehrere Befragte in der Studie beschrieben, dass sie erst Wochen oder Monate später realisierten, was passiert war. Die Erholungsphasen waren erodiert, schleichend, unmerklich. Arbeit war nicht mehr etwas, das man zu bestimmten Zeiten tat, sondern etwas, das immer im Hintergrund mitlief. Nicht aufdringlich, nicht stressig, einfach: immer da. Die Grenze zwischen Arbeit und Nicht-Arbeit war nicht verschwunden, wie die Forscherinnen schreiben, sondern leichter zu überschreiten.
Mechanismus 3: Viele Bälle gleichzeitig in der Luft
Der dritte Mechanismus betrifft die Art, wie KI-gestützte Arbeit organisiert ist. Mit KI laufen ständig mehrere Stränge parallel. Man codiert von Hand, während die KI eine Alternative generiert; man startet drei Tasks gleichzeitig, weil die KI zwei davon „im Hintergrund" bearbeiten kann; man reaktiviert längst aufgeschobene Projekte, weil es plötzlich machbar scheint.
Das erzeugt ein Gefühl, einen Partner zu haben. Jemanden, der mitarbeitet, während man selbst etwas anderes tut – ein Gefühl von Momentum und Durchsatz.
Die Realität sieht anders aus: permanenter Kontextwechsel, ständiges Überprüfen von Outputs, eine To-do-Liste, die nur noch wächst. Wir sind keine Multitasker, sondern Taskwechsler, und jeder Wechsel kostet kognitive Energie. Über einen Tag hinweg akkumulieren sich diese Mikro-Kosten zu tiefgehender mentaler Erschöpfung.
Dazu kommt ein sozialer Effekt. Wenn alle im Team schneller liefern, verschiebt sich die Norm. Nicht durch eine Ansage von oben, sondern durch das, was sichtbar und normal wird. Wer sieht, dass Kolleg:innen drei Tasks parallel bearbeiten, fühlt impliziten Druck, das auch zu tun. Geschwindigkeit wird zur Erwartung, auch wenn sie niemand ausspricht.
Die Spirale, die sich von allein dreht
Diese drei Mechanismen existieren nicht nebeneinander. Sie verstärken sich gegenseitig zu einer Spirale: KI beschleunigt Aufgaben, dadurch steigen die impliziten Erwartungen an Geschwindigkeit; höhere Erwartungen machen abhängiger von KI; stärkere Abhängigkeit verbreitert den Scope, weil man immer mehr Dinge selbst übernimmt. Breiterer Scope erzeugt mehr Arbeit, die schneller erledigt werden muss. Die Spirale dreht sich weiter.
Ein Ingenieur aus der Berkeley-Studie: „Man dachte, man spart Zeit und kann weniger arbeiten. In Wirklichkeit arbeitet man gleich viel oder sogar mehr."
Die Befragten fühlten sich produktiver, aber nicht weniger beschäftigt – eher im Gegenteil. Ab dem sechsten Monat der Studie häuften sich Berichte über Erschöpfung, Angst und Entscheidungslähmung. Was im ersten Quartal wie ein Produktivitätswunder aussah, produzierte im dritten Qualitätsprobleme und die ersten Abgänge.
Das Tückische an diesem Kreislauf ist, dass er sich als Fortschritt tarnt. Du kannst plötzlich Dinge, die vorher unmöglich schienen, lieferst mehr, wirst gelobt. Das fühlt sich nicht nach Überlastung an; das fühlt sich nach Empowerment an. Bis es kippt.
Accenture: Was passiert, wenn man KI-Adoption erzwingt
Die Berkeley-Studie zeigt das eine Extrem: KI-Nutzung, die freiwillig zu intensiv wird. Accenture zeigt das andere.
Der Beratungskonzern mit knapp 800.000 Beschäftigten trackt seit Februar 2026 die wöchentlichen KI-Tool-Logins seiner Senior-Mitarbeitenden und macht sie zum Beförderungskriterium. „Die Nutzung unserer wichtigsten Tools wird ein sichtbarer Input für Talentdiskussionen sein", heißt es in einer internen E-Mail, die die Financial Times einsehen konnte. Überwacht werden unter anderem das hauseigene AI Refinery und SynOps. Mitarbeitende in zwölf europäischen Ländern sind von der Regelung ausgenommen, ebenso Beschäftigte an US-Regierungsaufträgen.
Die Reaktion aus den eigenen Reihen ist aufschlussreich. Zwei Personen, die mit der Maßnahme vertraut sind, nannten einige der Tools gegenüber der Financial Times „kaputte Slop-Generatoren". Eine Person erklärte, sie würde „sofort kündigen", sollte die Regel sie betreffen. Das Unternehmen hat im vergangenen Jahr rund 11.000 Stellen abgebaut, fast 2 Milliarden Dollar für Abfindungen ausgegeben, seine Belegschaft zu „Reinventors" umgetauft und CEO Julie Sweet hat angekündigt, wer sich nicht anpassen könne, müsse gehen.
Hier liegt ein Grundsatzproblem: Accenture berät andere Unternehmen darin, wie sie KI-Transformation umsetzen sollen. Drei Führungskräfte der Big-Four-Beratungsfirmen bestätigten unabhängig voneinander gegenüber der Financial Times, dass es schwieriger ist, Senior Manager und Partner zur KI-Nutzung zu bewegen als Nachwuchskräfte. Die Leute, die Transformation verkaufen, widerstehen ihr selbst am stärksten.
Accentures Lösung ist Überwachung und Druck. Das Ergebnis ist vorhersehbar: Compliance-Theater. Menschen loggen sich ein, damit der Zähler tickt, nicht weil sie besser arbeiten. Der Aktienkurs ist in zwölf Monaten um 42 Prozent gefallen, von über 260 Milliarden auf rund 137 Milliarden Dollar Marktkapitalisierung. Vielleicht wäre ein Gespräch mit den eigenen Leuten billiger gewesen als eine Überwachungsrichtlinie.
Beide Szenarien, die freiwillige Übernutzung und der erzwungene Einsatz, sind Symptome desselben Fehlers: Organisationen behandeln KI-Adoption als technische Frage (Haben die Leute Zugang? Nutzen sie die Tools?), obwohl es eine zutiefst menschliche ist (Wie verändert KI die Art, wie Menschen arbeiten, denken und sich erholen?).
Drei Maßnahmen gegen KI-Burnout für HR-Teams
Die Berkeley-Forscherinnen empfehlen, was sie eine „AI Practice" nennen: bewusste Spielregeln dafür, wie, wann und wie viel mit KI gearbeitet wird. Das klingt abstrakt. Konkret lässt es sich auf drei Hebel runterbrechen.
Bewusste Pausen einbauen. Nicht als Wellness-Maßnahme, sondern als Qualitätssicherung. Die Forscherinnen schlagen vor, dass vor jeder wichtigen Entscheidung mindestens ein Gegenargument und eine explizite Verbindung zu den Unternehmenszielen formuliert werden muss. Das dauert fünf Minuten und verhindert, dass Geschwindigkeit die Urteilsfähigkeit ersetzt. In der Praxis heißt das: KI-gestützte Deliverables bekommen einen obligatorischen Reflexionsschritt, bevor sie weitergehen.
Arbeit sequenzieren statt parallelisieren. Nicht auf jedes KI-Ergebnis sofort reagieren, sondern Updates bündeln, Benachrichtigungen auf natürliche Haltepunkte verschieben, Fokus-Fenster schützen. Statt ständiger Reaktivität ein Rhythmus aus konzentrierter Arbeit und bewusster Überprüfung. Das reduziert den Kontextwechsel, der laut der Studie einer der Haupttreiber kognitiver Erschöpfung ist.
Menschliche Erdung schützen. KI ermöglicht immer mehr Solo-Arbeit. Man braucht die Kollegin nicht mehr fragen; man fragt die KI. Das spart Zeit, aber es eliminiert auch die Gespräche, in denen Perspektiven kollidieren und kreative Ideen entstehen. Organisationen, die nicht bewusst Raum für menschlichen Austausch schaffen, riskieren Teams, die zwar schneller arbeiten, aber schlechter denken.
Warum Engagement-Surveys KI-Burnout nicht erkennen
Die meisten HR-Teams messen mit Likert-Skalen, Net Promoter Scores und quartalsweisen Pulse Checks. Diese Instrumente erfassen, ob jemand zufrieden ist. Sie erfassen nicht, warum jemand gleichzeitig begeistert und erschöpft sein kann.
Genau das zeigt die Berkeley-Studie aber. Die Leute sagten nicht „Ich habe zu viel Arbeit." Sie hatten ja freiwillig mehr übernommen, und es hatte sich gut angefühlt. Bis es das nicht mehr tat. Dieses Paradox, Empowerment und Erschöpfung als zwei Seiten derselben Erfahrung, lässt sich nicht in einer Fünf-Punkte-Skala abbilden.
Um zu verstehen, was wirklich passiert, braucht man qualitative Daten. Man muss mit den Leuten reden.
Das Problem: 40 Tiefeninterviews wie in der Berkeley-Studie bedeuten Wochen Feldzeit, fünfstellige Kosten, Monate bis zum Report. Die Forscherinnen waren zwei Tage pro Woche vor Ort, acht Monate lang. Die wenigsten HR-Teams haben diese Ressourcen.
KI-gestützte Interviews als Ausweg aus dem Messbarkeitsdilemma
Das Werkzeug, das das Problem verursacht, kann auch helfen, es sichtbar zu machen, wenn man es richtig einsetzt.
QUALLEE führt qualitative Interviews mit KI. Eine KI stellt Fragen, hört zu, hakt nach, folgt dem Gesprächsfaden. Echte Menschen antworten, in ihrem eigenen Tempo, in ihrer eigenen Sprache. Die Analyse destilliert Muster aus Dutzenden oder Hunderten solcher Gespräche, in Stunden statt Monaten.
Für HR-Teams, die den KI-Burnout-Effekt in der eigenen Organisation verstehen wollen, sind das die Fragen, an die kein Engagement-Survey herankommt: Wie hat sich dein Arbeitstag durch KI verändert? Wann fühlt sich KI-Nutzung produktiv an, wann kippt es? Machst du am Wochenende Dinge, die du vor sechs Monaten noch nicht gemacht hättest? Was brauchst du, damit KI-Nutzung nachhaltig bleibt?
Keine Likert-Skala beantwortet das; ein Gespräch schon.
Selbst ausprobieren
Die Berkeley-Studie endet mit einer klaren Aussage: Ohne bewusstes Gegensteuern führt KI-gestützte Arbeit nicht zu Entlastung, sondern zu Verdichtung. Der erste Schritt ist nicht, Logins zu zählen wie Accenture oder darauf zu hoffen, dass es schon gutgehen wird, sondern zuzuhören.
Häufig gestellte Fragen
Was ist das KI-Burnout-Paradox?
Das KI-Burnout-Paradox beschreibt das Phänomen, dass KI-Tools Arbeit nicht erleichtern, sondern verdichten. Eine UC-Berkeley-Studie aus 2026 zeigt: Menschen, die KI freiwillig und begeistert nutzen, arbeiten nicht weniger, sondern mehr. Die Intensivierung entsteht durch drei Mechanismen: Ausweitung des Aufgabenbereichs, Verwischung der Grenzen zwischen Arbeit und Freizeit sowie chronisches Multitasking.
Was hat die UC-Berkeley-Studie 2026 herausgefunden?
Die Forscherinnen Aruna Ranganathan und Xingqi Maggie Ye begleiteten acht Monate lang 200 intrinsisch motivierte Beschäftigte eines US-Tech-Unternehmens. Ohne Zwang zur KI-Nutzung arbeiteten diese Menschen strukturell mehr: breiterer Scope, weniger Pausen, permanenter Kontextwechsel. Ab dem sechsten Monat häuften sich Erschöpfung, Angst und Entscheidungslähmung. Die Studie wurde im Februar 2026 im Harvard Business Review veröffentlicht.
Warum erkennen Engagement-Surveys KI-Burnout nicht?
Klassische Instrumente wie Likert-Skalen und Pulse Checks messen Zufriedenheit auf einer Skala. Sie können nicht erfassen, warum jemand gleichzeitig begeistert und erschöpft ist. Das KI-Burnout-Paradox äußert sich als Empowerment, nicht als Unzufriedenheit, und entzieht sich damit quantitativen Metriken. Qualitative Interviews sind nötig, um die tatsächlichen Veränderungen im Arbeitsalltag sichtbar zu machen.
Was können HR-Teams gegen KI-Burnout tun?
Drei konkrete Maßnahmen: Erstens, bewusste Reflexionspausen vor KI-gestützten Entscheidungen einbauen. Zweitens, Arbeit sequenzieren statt parallelisieren, um Kontextwechsel zu reduzieren. Drittens, Raum für menschlichen Austausch schützen, damit Teams nicht nur schneller arbeiten, sondern auch besser denken. Die Berkeley-Forscherinnen nennen das eine „AI Practice": bewusste Spielregeln für den Umgang mit KI.
Was hat Accenture mit KI-Burnout zu tun?
Accenture trackt seit Februar 2026 die KI-Tool-Logins seiner Senior-Mitarbeitenden und macht sie zum Beförderungskriterium. Mitarbeitende bezeichneten die Tools intern als „kaputte Slop-Generatoren". Der Fall zeigt das Gegenteil der Berkeley-Studie: Statt freiwilliger Übernutzung erzwungene Adoption. Beide Szenarien enden in Burnout-Risiken, weil KI-Einführung als technische statt als menschliche Frage behandelt wird.
