Generative KI veraendert Arbeitsplaetze laut Microsoft Research schneller als fruehere Technologiewellen. Sie beschleunigt nicht nur bestehende Ablaeufe, sondern greift zunehmend direkt in Prozesse ein und beeinflusst, wie Menschen Inhalte erstellen, Entscheidungen treffen, zusammenarbeiten und lernen. Der zugrunde liegende New Future of Work Report fuehrt dafuer Forschung aus Microsoft und externen Quellen zusammen, darunter gross angelegte Datenanalysen, Feld- und Laborstudien sowie theoretische Arbeiten.
Bei der Einfuehrung zeigen sich deutliche Unterschiede. In einer deutschen Umfrage gaben 38 Prozent der beschaeftigten Befragten an, KI bei der Arbeit zu nutzen. Die Nutzung und das Vertrauen in solche Systeme unterscheiden sich jedoch stark zwischen Branchen, und Maenner berichten haeufiger von KI-Nutzung am Arbeitsplatz als Frauen. Laut Microsoft Research ist noch unklar, ob dies vor allem an Berufsverteilungen, am Umgang mit neuen Werkzeugen oder an anderen Faktoren liegt. Global fuehren einkommensstarke Laender bei der Nutzung, das schnellste Wachstum findet aber in Regionen mit niedrigem und mittlerem Einkommen statt. Wo lokale Sprachen schlecht unterstuetzt werden, weichen Nutzer auf Englisch aus, um verlaesslichere Ergebnisse zu erhalten.
Innerhalb von Organisationen haengt der Einsatz von KI nach den zusammengetragenen Studien stark von Kultur und Vertrauen ab. Menschen probieren neue Werkzeuge eher aus, wenn sie ihrem Arbeitgeber vertrauen und sich bei Experimenten sicher fuehlen. Anwendungen, die als Ersatz fuer Beschaeftigte wahrgenommen werden, stossen dagegen eher auf Ablehnung. Viele nuetzliche Einsaetze entstehen demnach nicht aus Top-down-Initiativen, sondern aus Versuchen von Mitarbeitenden, die funktionierende Praktiken anschliessend mit Kolleginnen und Kollegen teilen. Forschung deutet zudem darauf hin, dass die Einbeziehung von Arbeitnehmerperspektiven bei der Gestaltung von Arbeitsplatztechnologien nachhaltige Verbesserungen bei Produktivitaet und Wohlbefinden foerdert.
Welche Taetigkeiten mit KI bearbeitet werden, wird in mehreren Studien konkretisiert. Eine Analyse von Millionen Claude-Gespraechen bei Anthropic ordnete 37 Prozent der Nutzung Software- und mathematischen Berufen zu. Eine Untersuchung von Microsoft-Copilot-Gespraechen zeigte eine hohe Anwendbarkeit fuer Taetigkeiten von Informationsarbeitern in Vertrieb, Medien, Technologie und Verwaltung. Zugleich verweist Microsoft Research darauf, dass die meisten Berufe zumindest einige Aufgaben enthalten, bei denen KI nuetzlich ist. Begleitend treten soziale Effekte auf: Mehrere Studien zeigen, dass Mitarbeitende, die KI nutzen, mitunter als weniger faehig wahrgenommen werden, auch wenn ihr Arbeitsergebnis identisch ist. Manager, die selbst KI genutzt haben, bewerten KI-unterstuetzte Arbeit tendenziell fairer.
Die Wirkung auf Produktivitaet und Arbeitsmaerkte faellt uneinheitlich aus. Befragte Unternehmensnutzer berichten von taeglichen Zeitersparnissen von 40 bis 60 Minuten, und modellbasierte Bewertungen sehen Frontier-Systeme bei einer wachsenden Zahl von Aufgaben in Qualitaetsbereichen nahe an Expertenniveaus. Gleichzeitig kann KI Produktivitaet auch mindern. In einer US-Umfrage gaben 40 Prozent der Beschaeftigten an, im vergangenen Monat mit sogenanntem „workslop“ konfrontiert gewesen zu sein, also KI-generierten Inhalten, die zwar polished wirken, aber weder korrekt noch hilfreich sind. In solchen Faellen koennen Zeitgewinne verschwinden und die Qualitaet leiden.
Fuer den Arbeitsmarkt insgesamt sieht die zusammengefasste empirische Forschung bislang keine klaren aggregierten Effekte auf Arbeitslosigkeit, Arbeitsstunden oder offene Stellen. Hinweise gibt es jedoch auf sinkende Chancen fuer juengere und unerfahrene Beschaeftigte. Einstiegsrollen seien leichter zu automatisieren, weil sie weniger Erfahrung und Wissen voraussetzen. Genannt wird empirische Evidenz, nach der die Beschaeftigung von 22- bis 25-Jaehrigen in Berufen mit hoher KI-Exposition relativ zu vergleichbaren, weniger exponierten Rollen um 16 Prozent sank. Ausserdem scheint sich die Einstellung in Junior-Positionen nach der Einfuehrung von KI in Unternehmen zu verlangsamen. Damit verbindet der Bericht die Sorge, dass die Automatisierung von Lern- und Einstiegsaufgaben langfristig den Aufbau von Expertise untergraben koennte.
Parallel dazu verschieben sich gefragte Kompetenzen. Stellenanzeigen mit Bezug zu KI-Faehigkeiten betonen fast doppelt so haeufig auch analytisches Denken, Resilienz und digitale Kompetenz. Die Nachfrage nach Arbeiten, die sich leichter an KI-Modelle auslagern lassen, etwa datenbezogene Routinetätigkeiten oder Routine-Uebersetzungen, sinkt weiter. Theoretische Arbeiten im Bericht heben hervor, dass menschliches Urteilsvermoegen unter Bedingungen von Unsicherheit, bei der Auswahl zwischen Outputs und beim Erkennen von Chancen an Wert gewinnt, waehrend Organisationen bei einem augmentierenden Einsatz von KI eher neue Arten von Arbeit schaffen koennen.
Bei der Human-AI Collaboration beschreibt Microsoft Research einen Wandel vom Werkzeug hin zum „collaborator“. Entscheidend fuer effektive Zusammenarbeit sei gemeinsames Verstaendnis, das in menschlicher Kommunikation durch Rueckfragen, Bestaetigungen und Klaerungen hergestellt werde. Aktuelle KI-Systeme ueberspringen diese Schritte oft und setzen Verstehen voraus, statt es aufzubauen. Das kann zu Stoerungen in der Interaktion fuehren. Systeme wie CollabLLM, die Rueckfragen und mehrteilige Dialoge foerdern, zeigten in der Forschung bessere Aufgabenleistung und interaktivere Austausche.
Auch Vertrauen und Delegation spielen eine zentrale Rolle. KI kann grosse Informationsmengen verarbeiten, doch ihr Nutzen fuer Entscheidungen haengt davon ab, wie gut sie menschliche Ziele erfasst und wie realistisch Menschen ihre Faehigkeiten einschaetzen. Der Einsatz eines Systems, das die Ziele einer Person nicht versteht, kann schlechtere Ergebnisse liefern als gar keine KI zu nutzen. Zugleich ueberschaetzen Menschen KI-Faehigkeiten oft. Systeme, die selektive Delegation unterstuetzen und diesen Ansatz in ihren Antworten beruecksichtigen, koennen laut dem Bericht solche Entscheidungen verbessern.
Mit steigenden Faehigkeiten von KI veraendern sich Rollenbilder. Entwickler ueberpruefen und verfeinern verstaerkt KI-generierte Vorschlaege, statt Code vollstaendig selbst zu schreiben. Autoren und Designer arbeiten eher als Kuratoren und Editoren, die KI-Ausgaben steuern, pruefen und verbessern. Dafuer werden neue Faehigkeiten benoetigt, etwa beim Prompting, bei der Pruefung von Antworten und bei der Qualitaetsaufsicht. Chat-basierte Oberflaechen gelten dafuer oft als zu begrenzt. Als Antwort nennt der Bericht neue Interface-Ansätze wie Visualisierungen von KI-Reasoning, gemeinsame Bearbeitungsflaechen und Mixed-Initiative-Systeme, in denen Mensch und KI sich bei der Fuehrung einer Aufgabe abwechseln.
Fuer Teamarbeit seien heutige KI-Systeme bislang eher auf Einzelpersonen ausgerichtet. Deshalb schneiden Teams, die KI gemeinsam nutzen, haeufig schlechter ab als einzelne Personen mit KI. Die Forschung verfolgt hier zwei Richtungen: prozessfokussierte Systeme, die etwa Informationsaustausch, Gegenpositionen oder Minderheitenperspektiven in Gruppen unterstuetzen, und outcome-fokussierte Systeme, die aus kurz- und langfristigen Teamresultaten lernen sollen. Als moegliche Entwicklung nennt der Bericht auch kurzlebige, sehr gezielt zusammengesetzte Teams, die mit KI ein konkretes Problem bearbeiten und sich danach wieder aufloesen.
Im Bereich Denken, Lernen und psychologische Effekte beschreibt der Report eine Verschiebung vom „thinking by doing“ hin zum Auswaehlen unter erzeugten Outputs. Ohne kognitive Einbindung der Nutzer koenne dies Urteilsfaehigkeit und Praktiken schwaechen, die menschliche Expertise tragen. KI koenne aber auch so gestaltet werden, dass sie Denken unterstuetzt, etwa durch Reflexionsanstoesse, Strukturierung von Reasoning oder durch Alternativen und Kritik, die Menschen beim „decide how to decide“ helfen. Fuer Ideation und Kreativitaet seien Vorteile fragil: Ein unpassender Einsatz von LLMs kann Originalitaet und Selbstwirksamkeit senken, und wiederholtes kognitives Offloading kann laut den zitierten Arbeiten auch dann nachwirken, wenn KI spaeter nicht mehr verfuegbar ist.
Im Bildungsbereich ist KI laut Bericht bereits weit verbreitet, allerdings oft ueber allgemeine Werkzeuge statt ueber bildungsspezifische Produkte. Training und Regulierung haetten dabei noch nicht Schritt gehalten. Lernprozesse profitieren haeufig von „desirable difficulties“, waehrend starke Abhaengigkeit von Zusammenfassungen und Synthesen Lernen oberflaechlicher machen kann. Als moegliche Gegenmassnahmen nennt der Bericht etwa das selbststaendige Bearbeiten von Problemen vor dem Rueckgriff auf KI sowie fragegesteuertes Tutoring, bei dem Lernende Outputs begruenden und pruefen muessen. In der Programmierausbildung bleibe Coding wichtig, der Fokus solle sich aber von Syntaxlernen auf Abstraktion, Problemrahmung und kritische Pruefung verschieben. In der betrieblichen Weiterbildung koennen Trainings laut Bericht helfen, Uebervertrauen und „work-slop“-Probleme zu mindern, indem KI als Denkpartner statt als blosse Abkuerzung verstanden wird.
Bei einzelnen Berufsfeldern hebt Microsoft Research Software Engineering und Wissenschaft hervor. Im Softwarebereich werden mehrere verbreitete Annahmen zurueckgewiesen, darunter die Vorstellung, dass die Zahl KI-generierter Codezeilen eine sinnvolle Produktivitaetsmetrik sei oder dass aktuelle Werkzeuge jeden Entwickler sofort zu einem „10× engineer“ machten. Beobachtet werde vielmehr eine Verschiebung im Software-Lifecycle: PMs uebernehmen mehr technische Arbeit und schreiben mehr Code, waehrend Entwickler staerker in Planung und konzeptionelles Denken eingebunden sind. Als Beispiel nennt der Bericht „vibe coding“, also iterative Softwareentwicklung ueber Prompting statt ueber direktes Schreiben und Editieren von Code. Studien zufolge sind erfahrene Informatikstudierende darin besser als Anfaenger, weil sie Modelle mit weniger, aber gezielteren Prompts steuern koennen.
In der Wissenschaft beschleunigt KI nach den zusammengetragenen Befunden Forschung, indem sie bei vielversprechenden Ideen, beim Nachvollziehen bekannter Resultate und beim Auffinden felduebergreifender Verbindungen hilft. Foundation Models erleichtern zudem den Umgang mit unterschiedlichen Datentypen und ermoeglichen Experimente in einem zuvor nicht erreichbaren Umfang. Besonders deutlich erscheinen Produktivitaetsvorteile und moderate Qualitaetsgewinne bei Forschenden am Anfang ihrer Karriere und bei nicht englischsprachigen Wissenschaftlern. Zugleich werden Risiken benannt: Datenherkunft, Verantwortlichkeit und Reproduzierbarkeit werden komplexer, kleine Prompt-Unterschiede koennen Resultate deutlich veraendern, Modelle koennen Ideen ohne Zuschreibung reproduzieren oder halluzinieren, und sycophantic Antworten koennen dazu fuehren, dass Neuheit oder Korrektheit von KI-generierten Einsichten ueberschaetzt werden.
In der Schlussbetrachtung betont Microsoft Research, dass generative KI die Arbeit bereits jetzt veraendert. Die groessten Vorteile sehen Organisationen demnach dort, wo KI als kollaborativer Partner behandelt wird und wo Kultur, Normen und Sicherheit fuer Experimente vorhanden sind. Gleichzeitig bleiben Zugang, Nutzung und Nutzen ungleich verteilt. Menschliche Expertise wird dabei nicht weniger wichtig, sondern verlagert sich staerker auf Anleiten, Kritisieren, Verbessern und verantwortliche Aufsicht.
