Wissensverlust durch Künstliche Intelligenz: Risiken und Strategien für Unternehmen

Die Integration von Künstlicher Intelligenz (KI) in Unternehmensprozesse verspricht weitreichende Effizienzsteigerungen und ist für viele Organisationen ein zentrales strategisches Ziel. Aktuelle Entwicklungen, wie die Ankündigungen von Stellenstreichungen bei Großkonzernen im Zuge von KI-gestützten Optimierungsmaßnahmen, verdeutlichen diesen Trend. Eine umfassende Analyse von Forschenden der Universität Passau und der Arizona State University wirft jedoch die Frage auf, ob dieser "KI-Optimierungswahn" langfristig eher schadet als nützt. Die Studie, die kürzlich veröffentlicht wurde, beleuchtet die potenziellen Risiken eines Wissensverlusts in Unternehmen durch eine zu starke Abhängigkeit von KI-Systemen.

Die doppelte Gefahr des Wissensverlusts

Die Forschungsergebnisse identifizieren eine "doppelte Gefahr" für den Wissensbestand in Unternehmen, die sich aus der zunehmenden Automatisierung und dem Einsatz von KI ergibt. Professor Jin Gerlach, einer der Autoren der Studie, erläutert, dass menschliches Wissen auf verschiedene Weisen verloren gehen kann: durch Entlassungen, Ruhestand, Abwanderung von Mitarbeitenden oder schlichtweg durch das Vergessen von Fähigkeiten, wenn Aufgaben nicht mehr selbst ausgeführt werden. Parallel dazu besteht die Gefahr des Wissensverlusts auch innerhalb der KI-Systeme selbst.

Menschliches Wissen in Gefahr

Die Automatisierung von Aufgaben durch KI reduziert die Notwendigkeit für Mitarbeitende, bestimmte Prozesse manuell auszuführen. Dies kann dazu führen, dass über Jahre oder Jahrzehnte aufgebautes Fachwissen nicht mehr aktiv angewendet und somit allmählich vergessen wird. Scheiden erfahrene Expertinnen und Experten aus dem Unternehmen aus, kann dieses oft implizite Wissen unwiederbringlich verloren gehen. Selbst wenn ein Teil dieses Wissens in KI-Systeme überführt wird, bleibt die Abhängigkeit von menschlicher Expertise für die Interpretation, Anpassung und Weiterentwicklung dieser Systeme bestehen.

Das "Driften" von KI-Modellen

Ein weiteres zentrales Problem ist das sogenannte "Driften" von maschinell erlerntem Wissen. KI-Modelle werden auf spezifischen Datensätzen trainiert, die die Realität zu einem bestimmten Zeitpunkt abbilden. Ändern sich jedoch die technischen, organisationalen oder gesellschaftlichen Rahmenbedingungen, können diese Modelle ihre Vorhersagekraft verlieren. Ein Beispiel hierfür ist eine KI in der Produktion, die zum Erkennen von Materialfehlern trainiert wurde. Werden neue Materialien oder Herstellungsverfahren eingeführt, kann die KI "driften" und die aktuellen Gegebenheiten nicht mehr korrekt abbilden. Ohne menschliche Expertise, die diesen Drift erkennt und die Modelle entsprechend anpasst oder neu trainiert, kann die KI nutzlos werden oder sogar falsche Entscheidungen treffen.

Der Teufelskreis des Wissensverlusts

Die Studie verdeutlicht, dass die beiden Wissensquellen – menschliches Wissen und KI-Wissen – in einer Wechselwirkung stehen, die einen negativen Kreislauf begünstigen kann. Wenn menschliche Expertinnen und Experten ausscheiden und unerfahrenere Mitarbeitende die Aufgabe des Daten-Labelings für das KI-Training übernehmen, kann dies zu einer Verschlechterung der Trainingsdaten führen. Infolgedessen kann das KI-Wissen nur noch bedingt wiederhergestellt werden, was die Abhängigkeit von der verbleibenden menschlichen Expertise erhöht und gleichzeitig deren Verlustrisiko verstärkt.

Strategien zur Vermeidung von Wissensverlust

Um dieser "KI-Wissensfalle" zu entgehen, betonen die Forschenden die Notwendigkeit, menschliches Wissen in Organisationen zu bewahren. Dies erfordert bewusste Strategien und Investitionen, die über kurzfristige Effizienzziele hinausgehen.

• Bewahrung menschlicher Expertise: Das primäre Ziel sollte sein, Expertinnen und Experten im Unternehmen zu halten, die den "Drift" von KI-Modellen überwachen und diese bei Bedarf erneuern können. Dies beinhaltet die Schaffung von Anreizen für den Verbleib von Fachpersonal und die Etablierung von Wissensmanagementprozessen.
• Kontinuierliches Training und Ausbildung: Da die Bewahrung menschlichen Wissens oft mit Kosten verbunden ist, muss in die kontinuierliche Aus- und Weiterbildung von Mitarbeitenden investiert werden. Neue Mitarbeitende müssen effektiv eingearbeitet werden, um verlorenes Wissen zu ersetzen und die nötigen Kompetenzen für den Umgang mit KI-Systemen aufzubauen.
• Kritisches Hinterfragen des KI-Outputs: Mitarbeitende sollten dazu angehalten werden, die Ergebnisse von KI-Systemen kontinuierlich kritisch zu prüfen. Dies erfordert die Anwendung und Aufrechterhaltung menschlichen Fachwissens und verhindert, dass sich Fehler oder veraltete Informationen der KI unbemerkt in die Prozesse einschleichen. Dieser Ansatz steht jedoch oft im Widerspruch zu dem Wunsch nach maximaler Effizienz, da er zusätzlichen Zeit- und Arbeitsaufwand bedeutet.
• Ganzheitliche Betrachtung der KI-Einführung: Unternehmen sollten die Einführung von KI nicht isoliert als reine Effizienzmaßnahme betrachten. Vielmehr ist eine ganzheitliche Strategie erforderlich, die die Auswirkungen auf den Wissensbestand und die Unternehmenskultur berücksichtigt. Die organisatorische Reife muss mit der technologischen Nutzung Schritt halten.

Das Produktivitätsparadoxon und die kulturelle Herausforderung

Trotz massiver Investitionen in KI berichten viele Unternehmen von einem ausbleibenden spürbaren Effizienzgewinn. Eine Umfrage ergab, dass 90 Prozent der befragten Unternehmen in den letzten drei Jahren keinen messbaren Einfluss von KI auf Beschäftigung oder Produktivität feststellten. Dieses "Produktivitätsparadoxon" führt dazu, dass viele Führungskräfte an den Wert der KI zweifeln und sogar eine Kürzung ihrer KI-Budgets in Betracht ziehen.

Hinzu kommt die kulturelle Komponente: Mehr als die Hälfte der Unternehmen erwartet grundlegende kulturelle Veränderungen durch KI, während ein signifikanter Teil angibt, dass die bestehende Unternehmenskultur die Transformation aktiv behindert. Dies unterstreicht, dass die erfolgreiche Integration von KI über die rein technologische Implementierung hinausgeht und eine Anpassung der Organisationsstrukturen und der Denkweise erfordert.

Fazit und Ausblick

Die Studie der Universität Passau und der Arizona State University liefert eine wichtige konzeptionelle Grundlage, indem sie Erkenntnisse aus der Managementforschung und dem maschinellen Lernen miteinander verknüpft. Sie warnt vor den langfristigen Konsequenzen eines unreflektierten Einsatzes von KI zur Effizienzsteigerung und betont die Notwendigkeit, menschliches Wissen als unverzichtbare Ressource zu schützen und zu pflegen. KI bietet zweifellos enormes Potenzial, beispielsweise in der Medizin bei der Diagnose und Medikamentenentwicklung. Doch um dieses Potenzial nachhaltig zu nutzen, müssen Unternehmen über kurzfristige Effizienzziele hinausdenken und Strategien entwickeln, die den Erhalt und die Weiterentwicklung menschlicher Expertise sicherstellen. Es geht nicht darum, auf KI zu verzichten, sondern sie intelligent und verantwortungsvoll einzusetzen, um eine Abwärtsspirale des Wissensverlusts zu verhindern und langfristigen Unternehmenserfolg zu sichern.

Die Diskussion um die Auswirkungen von KI auf Arbeit und Wissen wird weiterhin intensiv geführt. Empirische Studien, die die Mechanismen des Wissensverlusts und die Wirksamkeit von Gegenmaßnahmen detailliert untersuchen, werden in Zukunft von großer Bedeutung sein, um diese komplexen Zusammenhänge noch genauer zu beleuchten.

Bibliography: - Pankau, A. (2026, 5. Juni). KI für mehr Effizienz? Forscher warnt vor langfristigem Wissensverlust in Unternehmen. t3n.de. - Pankau, A. (2026, 6. März). KI für mehr Effizienz? Forscher warnt vor Wissensverlust in Unternehmen. heise online. - Gerlach, J. et al. (2024). The AI Layoff Trap. Academy of Management Review. - Bäumer, F. (2026, 21. Februar). Studie: Wenn KI nicht weniger, sondern mehr Arbeit macht. tagesschau.de. - Stief, K. (2026, 12. Februar). KI: Zwischen Effizienzgewinn und Erschöpfungsfalle. computingdeutschland.de. - Brien, J. (2026, 17. Mai). Produktivitätsparadoxon: Warum Führungskräfte trotz KI zweifeln. t3n.de. - Deloitte Deutschland. (2026, 10. März). Unternehmen investieren in KI, fehlende Strukturen bremsen Effizienz. deloitte.com. - Stock, O. (2026, 16. April). KI ist überall – nur nicht im Gewinn: Warum der große Effizienz-Boost ausbleibt. fr.de. - Springer Nature Link. (2026, 16. März). KI erfolgreich einführen: Status quo und Erfolgsfaktoren in deutschen Großunternehmen. link.springer.com. - FOCUS online. (2026, 4. Mai). Ökonomen finden mathematischen Beweis für KI-Job-Teufelskreis, der am Ende auch Unternehmen zerstört. focus.de.