KI-Organisation als neues Arbeitsparadigma |
Implikationen für individuelle und organisatorische Veränderungen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 5, Seite 94-100 |
| Open Access | https://doi.org/10.30844/I4SD.26.5.11 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Die KI-Organisation: Definition und Anforderungen
Der Einzug agentischer Künstlicher Intelligenz (KI) in die Arbeitswelt markiert einen Paradigmenwechsel: Die KI wandelt sich von einem passiven Werkzeug zur Unterstützung menschlicher Tätigkeiten, also einem Objekt der Arbeitsorganisation, hin zu einem funktionalen Subjekt bzw. organisationalen Akteur innerhalb definierter Domänen, das eigenständig Aufgaben ausführt [1, 2]. Der Schwerpunkt menschlicher Arbeit verschiebt sich von KI-unterstützten Aufgaben im Prozess hin zur aktiven Orchestrierung KI-gestützter Prozessketten, Management und Ausnahmebehandlung [3, 4].
Was dieser Wandel für die Arbeitsorganisation und die Kompetenzentwicklung bedeutet, ist bislang nur unzureichend untersucht worden. Der vorliegende Beitrag adressiert diese Lücke: r entwickelt zunächst das Konzept der KI-Organisation als Analyserahmen für die systematische Integration von KI in Arbeitsprozesse und leitet daraus ein Digital-Enablement-Modell ab, das am Fraunhofer IAO als mehrstufiges Upskilling-Programm erprobt wird.
Während sich heute KI-Werkzeuge rasant entwickeln, halten Rollen, Prozesse, Governance und Kompetenzen der Organisation oft nicht Schritt – so entsteht eine wachsende Adoptionslücke, der sogenannte AI Adoption Gap (Bild 1). Jarrahi et al. [5] betonen, dass weder vollständige Automatisierung noch vollständige menschliche Kontrolle in komplexen Wissensdomänen optimale Ergebnisse liefern; vielmehr zielen Hybrid Intelligence Ansätze auf eine komplementäre Aufgabenteilung zwischen Mensch und KI.
Idealtypisch bedarf es einer systematischen Ko-Konfiguration definierter Rollenkontrakte, wobei die Rollenteilung zwischen menschlichen und KI-Akteuren dynamisch entlang der Phasen des Arbeitsprozesses konfiguriert wird [2]. KI handelt autonom innerhalb definierter Domänen; Menschen intervenieren dort, wo Kontextwissen, moralische Abwägung oder strategisches Urteil erforderlich sind. Dell’Acqua et al. [6] illustrieren diese Grenzziehung anhand des Begriffs der „jagged frontier“ – einer unregelmäßigen Linie zwischen Aufgaben, die KI exzellent bewältigt, und solchen, bei denen sie versagt, selbst wenn beide Aufgabentypen scheinbar ähnlich komplex sind, was die Notwendigkeit der Neuallokation bestehender Aufgaben unterstreicht. Wir leiten folgende Arbeitsdefinition ab:
Die KI Organisation ist eine Arbeitsorganisation, in der KI Systeme mit eigener Handlungskapazität als reguläre Organisationselemente gestaltet werden und somit eigenständiger Teil der kollektiven Problemlöse und Anpassungsfähigkeit der Organisation sind. Menschen behalten die finale normative und strategische Verantwortung.
Digital Enablement als Befähigungsstrategie
Produktivitätseffekte und Tätigkeitsverschiebungen durch den Einsatz von KI sind bereits heute sichtbar. So zeigen Schmidt et al. [7], dass der Nutzen von Microsoft Copilot stark kontextabhängig ist: Hoch bei strukturierten Textaufgaben, niedrig bei Lern- oder Vernetzungsaktivitäten, wobei Bewertungen zeitlich konvergieren. Zentral ist die qualitative Tätigkeitsverschiebung: Menschliche Arbeit wandert in der Interaktion mit KI von operativer, schrittweiser Ausführung, also „Task Execution“ (z. B. Informationsbeschaffung, Zusammenfassung und Erstellung von Texten) über Steuerung (Rahmensetzung für die KI) hin zu verantwortlicher Entscheidung über den Einsatz von KI Ergebnissen im Sinne einer „Task Stewardship“ [8, 9].
Die KI übernimmt dabei funktionale Teilrollen wie Strukturierung oder Mustererkennung [5, 10]. Dies deutet darauf hin, dass eine Qualifizierung der Mitarbeitenden für die KI-Organisation eine kontextsensitive Nutzung der KI sowie einen Kulturwandel beinhalten muss. Upskilling erfordert nicht nur das Erlernen neuer Instrumente, sondern vor allem eine Veränderung im Skill- und Mindset sowie kontinuierliche Anpassungsfähigkeit. Gleichzeitig muss die latente Gefahr des Deskillings verhindert werden.
Bisherige Forschung adressiert unterschiedliche Facetten der Mensch-KI-Interaktion, konvergiert jedoch in drei zentralen Anforderungen an die Kompetenzentwicklung:
- Dell’Acqua et al. [6] und Schmidt et al. [7] zeigen, dass KI-Werkzeuge nur dann produktiv wirken, wenn Mitarbeitende ihre Funktionsprinzipien verstehen und sie kontextgerecht einsetzen – dies begründet die Notwendigkeit einer fundierten Werkzeugkompetenz: Mitarbeitende benötigen ein technisches Grundverständnis agentischer, generativer KI‑Systeme und deren Integration in bestehende Arbeitsumgebungen. Dazu gehören sichere Bedienung, Verständnis zentraler Funktionsprinzipien sowie grundlegende Prompting‑Fertigkeiten.
- Das Konzept der „jagged frontier”[6] verdeutlicht, dass eine blinde Delegation an KI zu Qualitätsverlusten führt; Mitarbeitende müssen KI-geeignete Aufgaben gezielt identifizieren, Prozesse granular dekonstruieren und die Arbeitsteilung zwischen Mensch und KI bewusst gestalten – dies erfordert Methoden- und Prozesskompetenz. Diese umfassen die Fähigkeit, KI‑gestützte Prozessketten zu entwerfen, Rollen und Berechtigungen zu spezifizieren und Workflows iterativ zu optimieren. Hier verlagert sich menschliche Wertschöpfung von der schrittweisen Ausführung hin zur Gestaltung und Orchestrierung hybrider Prozesse.
- Lee et al. [8] und Simkute et al. [9] zeigen, dass der Einsatz generativer KI den kognitiven Eigenaufwand reduziert und systematische Übernahmeeffekte begünstigt. Dem entgegenzuwirken, verlangt die Fähigkeit zur kritischen Prüfung von KI-Ergebnissen auf sachliche Richtigkeit, Verzerrungen und normative Anschlussfähigkeit – also kritisches Urteilsvermögen und Verantwortungsübernahme (Mindset): Wenn KI als agentischer Akteur mit impliziten Annahmen und potenziellen Biases in die Organisation eingebettet wird, steigt die Anforderung an kontextsensitive Bewertung und normative Steuerung. Zudem müssen die Handlungsspielräume und zugelassenen Entscheidungen definiert werden, welche die Agenten übernehmen dürfen. Mitarbeitende übernehmen damit Task Stewardship, also die verantwortliche Entscheidung, wo und wie KI eingesetzt wird und wo menschliches Urteil unersetzlich bleiben [5].
Diese drei Dimensionen bilden den Ausgangspunkt für das Digital‑Enablement‑Modell (Bild 2). Es operationalisiert die drei beschriebenen Kompetenzsäulen für die Qualifizierung in der KI‑Organisation und folgt der empirisch abgeleiteten Logik, dass ein wirksames Upskilling nicht nur ein Toolset, sondern in besonderem Maße Skillset und Mindset beinhalten muss.
Dabei differenziert es drei aufeinander aufbauende Kompetenzstufen: Basic Literacy adressiert Mitarbeitende ohne oder mit wenig KI-Erfahrung und legt die Grundlage für Werkzeugkompetenz und ein erstes Verantwortungsverständnis, indem rechtliche und ethische Leitplanken für die KI Organisation vermittelt werden. Die Mitarbeitenden werden befähigt, KI in ihren Arbeitsprozess zu integrieren.
Die Zielgruppe der Stufe „Advanced Literacy“ sind Mitarbeitende mit grundlegender oder fortgeschrittener KI-Kompetenz. Advanced Literacy vertieft Werkzeugkompetenz und adressiert die Methoden‑/ Prozesskompetenz. Mitarbeitende lernen, Aufgaben bewusst zwischen Mensch und KI aufzuteilen, Prozessketten zu entwerfen und iterative Verbesserungszyklen zu etablieren. Strategic Literacy adressiert Mitarbeitende mit viel KI-Erfahrung und fördert deren Methoden‑/Prozesskompetenz und Urteils‑/Verantwortungskompetenz. Sie befähigt zur Gestaltung des KI‑Einsatzes auf Prozess‑ und Organisationsebene.
Das Digital‑Enablement‑Modell zielt darauf ab, kognitive Souveränität im Umgang mit agentischer KI zu stärken: KI soll als organisationaler Akteur eingesetzt werden, ohne dass menschliche Urteilskraft, Verantwortungsbereitschaft und methodische Gestaltungskompetenz erodieren. Um diese Kompetenzen zu erhalten und zu entwickeln, sind Reflexionsaufgaben entscheidend.
Das Digital-Enablement-Modell wurde am Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO in ein KI-Upskilling-Programm überführt, das auf einem Pilotprojekt aufbaut und die Anforderungen der KI‑Organisation praxisnah adressiert. Das KI-Upskilling-Programm adressiert über 500 Mitarbeitende, die als wissenschaftliche Mitarbeitende oder in der Verwaltung arbeiten. Am Pilotprojekt haben etwa 40 Mitarbeitende teilgenommen. Das KI-Upskilling-Programm wurde in seiner Gänze als Arbeits- und Lernprojekt (ALP) konzipiert.
Arbeits- und Lernprojekte (ALP) stellen ein etabliertes Format arbeitsintegrierter Weiterbildung dar, in dem reale Arbeitsaufgaben zu Lernaufgaben und über strukturierte Lernschritte bearbeitet werden [11,12]. Lernen findet damit nicht losgelöst von der Wertschöpfung, sondern im Prozess der Arbeit statt und ermöglicht es, heterogene Vorkenntnisse gezielt zu nutzen, da Teilnehmende Aufgaben entsprechend ihres Kompetenzniveaus und Tätigkeitsprofil wählen [12, 13]. Peer‑to‑Peer‑Lernen und die gemeinsame Reflexion von Herausforderungen, Grenzfällen und Abweichungen fungieren als zentrale Mechanismen für den Aufbau komplexer, kontextsensitiver Kompetenzen [14]. Vor dem Hintergrund des eingangs skizzierten Paradigmenwechsels zur KI‑Organisation fungieren ALP damit als organisationales Reallabor.
Im Pilotprojekt wählen die Lernenden reale Arbeitsaufgaben selbst aus, bearbeiten diese nach einem standardisierten Lernprozess mit KI-Unterstützung und dokumentieren entwickelte Prompts in einer gemeinsamen Bibliothek. Peer-to-Peer-Learning-Sessions ermöglichen kollegialen Austausch über Herausforderungen, Grenzfälle und Best Practices im Sinne der Task Stewardship. Erste Erfahrungen deuten darauf hin, dass der Ansatz sich insbesondere dahingehend bewährt, heterogene Vorkenntnisse produktiv zu nutzen, kontextspezifisches Lernen zu fördern und die Transferfähigkeit der erworbenen Kompetenzen in unterschiedliche Domänen zu stärken [15].
Das KI-Upskilling-Programm, das auf den Erfahrungen des Pilotprojektes aufbaut, ist bewusst nicht als starrer Pflichtpfad konzipiert. Mitarbeitende steigen auf der Kompetenzstufe ein, die ihrem individuellen Kenntnisstand entspricht: Je mehr einschlägige Erfahrung im Umgang mit KI‑Tools und in der Gestaltung von Mensch‑KI‑Prozessen vorliegt, desto höher der Einstiegspunkt. Durch die erforderliche Selbsteinschätzung der eigenen Kompetenz wird die Reflexions- und Urteilsfähigkeit gefördert. Dieser differenzierte Ansatz trägt der heterogenen Ausgangslage der Belegschaft Rechnung und unterstützt eine passgenaue Entwicklung der drei Säulen Toolset, Skillset und Mindset.
Zum Erwerb grundlegender KI-Kompetenz wird auf der Stufe „Basic Literacy“ ein Modul zum Aufbau eines allgemeinen KI-Verständnisses sowie ein Modul zur Einführung in Microsoft Copilot und FhGenie, einer internen LLM-Plattform der Fraunhofer-Gesellschaft angeboten. In allen Veranstaltungen werden wiederholt verbindliche Nutzungs- und Datenschutzleitlinien vermittelt. Auf der Stufe „Advanced Literacy“ wird zusätzlich zu so genannten Promptathons ein Modul zur systematischen Identifikation und Entwicklung von prozessübergreifenden Use Cases angeboten.
Während im Pilotprojekt die freie Aufgabenwahl explorative Lernprozesse förderte, stellt das ausgebaute Programm eine strukturierte Methodik bereit, mit der Mitarbeitende KI-geeignete Aufgaben in ihrem Arbeitsbereich entlang der „jagged frontier“ gezielt erschließen und in Prozessketten überführen können. Dies unterstützt die bewusste Konfiguration von Rollen im Sinne hybrider Intelligenz. Für Mitarbeitende auf der Kompetenzstufe „Strategic Literacy“ werden KI‑Masterclasses angeboten. Es werden Kompetenzen zur Konzeption umfangreicherer Workflows und zur Gestaltung von Aufgaben auf Prozessebene aufgebaut.
Teilnehmende lernen, agentische KI‑Systeme als reguläre Organisationselemente (Rollen, Routinen, Informationsflüsse, Regeln) zu gestalten und dabei die normative und strategische Letztverantwortung bewusst wahrzunehmen. Ergänzend adressieren spezifische Führungskräfte‑Module deren besondere Rolle in der KI‑Organisation. Hinzu kommen Themen wie Sensibilisierung für systemische Risiken wie Deskilling, die Befähigung zur Förderung von KI‑Kompetenzen im Team sowie zur strategischen Prozess‑ und Rollenarchitektur im Sinne hybrider Intelligenz.
Zusätzlich erfolgt der Aufbau einer institutionalisierten KI-Community: ein strukturiertes Forum für kontinuierlichen Erfahrungsaustausch, die Vorstellung neuer Use Cases und gezielter Wissenstransfer durch interne Multiplikatoren. Fortgeschrittene Community-Mitglieder sind für die Prompt-Bibliothek verantwortlich, sie pflegen neue Prompts ein und kommentieren diese auch in Bezug auf Einsatzbereiche und Qualitätskriterien. Diese Maßnahme sichert die Qualität der geteilten Ressourcen und etabliert eine nachhaltige interne Wissensstruktur.
Die Wirkung des Programms wird durch eine kontinuierliche Evaluation auf drei Ebenen gemessen: Output und Zielgruppenerreichung (absolvierte Module, erstellte Templates, gepflegte Prompts), Outcome (Zeitgewinne, Nutzungsgrad, wahrgenommene Selbstwirksamkeit, Veränderung der Nutzungsmuster) und Impact (nachweisbare Prozessverbesserungen und Qualitätsgewinne in Pilotbereichen). Hierzu werden zum einen nach Beendigung der einzelnen Programmmodule anonymisierte Kurzbefragungen durchgeführt.
Zusätzlich wird zur Halbzeit des Gesamtprogramms eine organisationsweite Online-Befragung durchgeführt, bei der Einschätzungen zur Verwertbarkeit und Transferierbarkeit der Inhalte sowie detailliertere Rückmeldungen zu noch fehlenden Bestandteilen erfragt werden. Eine Bedarfsabfrage nach relevanten Tools- und Technologietrends im Bereich der KI-Tools ist integriert. Das KI-Upskilling-Programm wird aktuell erprobt; Evaluationsergebnisse liegen noch nicht vor. Impactgrößen wie Produktivitätseffekte oder Transferierbarkeit werden auf Basis standardisierter Skalen erhoben, die individuelles Erleben abfragen und über alle Befragten hinweg strukturiert ausgewertet werden.
Nächste Schritte auf dem Weg zur KI-Organisation
Im vorliegenden Beitrag haben wir auf Basis theoretischer Überlegungen zur KI-Organisation ein Digital-Enablement-Modell mit drei Kompetenzdimensionen abgeleitet und dieses in ein dreistufiges Upskilling-Programm überführt, das aktuell als Arbeits- und Lernprojekt am Fraunhofer IAO erprobt wird. Dies ist Stärke und Schwäche zugleich: So basiert der Ansatz aktuell noch auf den Erfahrungen einer einzelnen Forschungsorganisation mit hohem Qualifikationsniveau; die Übertragbarkeit auf andere Organisationstypen ist noch nicht geprüft. Zudem stützen sich die bisherigen Erfahrungen überwiegend auf qualitative Beobachtungen – eine systematische Wirkungsmessung steht noch aus.
Im nächsten Schritt soll das Digital-Enablement-Modell in weiteren Organisationen eingeführt und empirisch validiert werden und der Anschluss an bestehende Frameworks wie DigComp 2.2 hergestellt werden. Für die Praxis zeigt der Beitrag, dass ein wirksames KI-Upskilling Werkzeugbeherrschung, Prozessgestaltungskompetenz und kritisches Urteilsvermögen gleichermaßen adressieren muss – und dies im Prozess der Arbeit, nicht losgelöst davon.
In der alten Perspektive ist KI ein digitaler Assistent: ein intelligenter Helfer, der bestimmte Aufgaben übernimmt – günstiger, schneller und konsistenter. Doch die Organisation bleibt grundsätzlich gleich. Um die KI-Adoptionslücke zu überwinden, braucht es neue Strukturen, Prozesse und Kompetenzen. Aufgaben, Verantwortlichkeiten und Entscheidungskompetenzen sind zwischen Mensch und Maschine geteilt. Die KI-Organisation versteht sich nicht als Summe von Individuen, sondern als hybrides, sozio-technisches System, in dem Mensch und KI miteinander verwoben sind: die KI ist nicht mehr Objekt in der Organisation, sondern Teil von ihr – Subjekt statt Werkzeug. Dabei müssen Aufgaben und Prozesse granular dekonstruiert und zwischen Mensch und KI neu aufgeteilt werden.
Literatur
[1] Bankins, S.; Ocampo, A. C. u. a.: A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. In: Journal of Organizational Behavior Bd. 45 (2024), Nr. 2, S. 159–182.[2] Hölzle, K.; Haner, U.: Human-Centered AI-Paired Work Systems – Integrating GenAI and the human factor in work system theory. In: Industry 4.0 Science Bd. 2025 (2025), Nr. 5.
[3] Mallon, D.; Duda, J. u. a.: AI and the future of human decision-making. In: Deloitte Development LLC. (Hrsg.): 2026 Global Human Capital Trends: From tensions to tipping points: Choosing the human advantage, Deloitte Insights, 2026.
[4] World Economic Forum: AI at Work: From Productivity Hacks to Organizational Transformation, C&T Industry Strategy Officers Community (Community paper), 2026.
[5] Jarrahi, M. H.; Askay, D. u. a.: Artificial intelligence and knowledge management: A partnership between human and AI. In: Business Horizons Bd. 66 (2023), Nr. 1, S. 87–99.
[6] Dell’Acqua, F.; McFowland, E. u. a.: Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. In: Organization Science Bd. 37 (2026), Nr. 2, S. 403–423.
[7] Schmidt, C. F.; Petzolt, S. u. a.: Generative KI in der Wissensarbeit: Wahrnehmung, Nutzen und Akzeptanz von Microsoft 365 Copilot. In: Zeitschrift für Arbeitswissenschaft (2026) (Online First).
[8] Lee, H.; Sarkar, A. u. a.: The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. In: Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. Yokohama Japan : ACM, 2025.
[9] Simkute, A.; Tankelevitch, L. u. a.: Ironies of Generative AI: Understanding and Mitigating Productivity Loss in Human-AI Interaction. In: International Journal of Human–Computer Interaction (2024), S. 1–22.
[10] Brynjolfsson, E.; Li, D. u. a.: Generative AI at Work. In: The Quarterly Journal of Economics Bd. 140 (2025), Nr. 2, S. 889–942.
[11] Schröder, T.: Arbeits- und Lernaufgaben für die Weiterbildung. Bielefeld 2009.
[12] Binder, M.; Hofmann, J.: Neue Arbeitsformen – neue Weiterbildungsformen. In: Dick, P.-M.; Zitzelsberger, R. u. a.: (Hrsg.): weiterbilden#weiterdenken: Strukturwandel in der Metall- und Elektroindustrie durch berufliche Weiterbildung gestalten. Bd. 60. Bielefeld 2021, S. 97–118.
[13] Bauer, W.; Koring, C. u. a.: Weiterbildungsprofile und Arbeits- und Lernprojekte: Ergebnisse aus dem Projekt “Weiterbildung im Prozess der Arbeit” (WAP). Institut Technik und Bildung (ITB) Bremen 2007.
[14] Struck, P.: Peer Learning in der beruflichen Ausbildung. Bielefeld 2023.
[15] Kuhn, L.; Schmidt, C. F. u. a.: AI Upskilling promoting Peer-to-Peer Learning using Self-Selected Real-Work Use Cases. In: AHFE International Conference Istanbul 2026. Manuskript zur Veröffentlichung eingereicht.
Das könnte Sie auch interessieren
