KI-vermittelte Kommunikation: Was passiert, wenn KI bei der Arbeit schreibt, zusammenfasst und antwortet

Von Victor Hoang · Aktualisiert am 22. September 2026

KI-vermittelte Kommunikation (AI-MC) ist zwischenmenschliche Kommunikation, bei der ein intelligenter Agent im Auftrag einer Person eine Nachricht entwirft, erweitert, kürzt oder beantwortet. Der Begriff stammt von Jeffrey Hancock von der Stanford University und seinen Koautoren, die ihn 2020 als einen computergestützten Agenten definierten, der im Namen einer kommunizierenden Person handelt, um ein zwischenmenschliches Ziel zu erreichen. Dieser Agent sitzt heute an beiden Enden fast jeder Arbeitsnachricht.

Dies ist kein Beitrag darüber, ob KI-geschriebener Text grammatikalisch in Ordnung ist; meistens ist er das. Es geht darum, was mit einer Beziehung geschieht, wenn sowohl das Schreiben als auch das Lesen an eine Maschine übergeben werden: Der Aufwand, der früher Fürsorge signalisierte, verschwindet, die Nachricht bläht sich auf und wird wieder zusammengestaucht, ohne dass jemand die Mitte liest, und der Empfänger beginnt, alles stillschweigend abzuwerten, was ein wenig zu glatt klingt. Nichts davon fällt bei einer Rechtschreibprüfung auf. Alles davon zeigt sich daran, wie sehr sich Menschen sechs Monate später vertrauen.

Wichtige Fakten

• KI-vermittelte Kommunikation wurde 2020 formal definiert. Hancock, Naaman und Levy definieren AI-MC als „vermittelte Kommunikation zwischen Menschen, bei der ein computergestützter Agent im Auftrag einer kommunizierenden Person Nachrichten verändert, erweitert oder erzeugt, um Kommunikations- oder zwischenmenschliche Ziele zu erreichen“. Hancock, Naaman & Levy, Journal of Computer-Mediated Communication (2020)
• Text, der als KI-geschrieben wahrgenommen wird, gilt als weniger vertrauenswürdig, selbst wenn der Wortlaut identisch ist. Jakesch, French, Ma, Hancock und Naaman von der Stanford University führten ein Experiment mit Airbnb-Profilen durch und fanden einen deutlichen Rückgang der Vertrauenswürdigkeitsbewertungen für Profile, die als KI-generiert vermutet oder gekennzeichnet wurden, den „Replicant Effect“. Jakesch et al., Stanford Social Media Lab (2019)
• Mehr als die Hälfte der Beschäftigten verbirgt ihre KI-Nutzung vor dem Arbeitgeber. Die globale Studie von KPMG und der University of Melbourne mit mehr als 48.000 Personen in 47 Ländern ergab, dass 57 % der Beschäftigten zugeben, ihre KI-Nutzung bei der Arbeit zu verschleiern, meist indem sie KI-generierte Inhalte als eigene ausgeben. KPMG & University of Melbourne (2025)
• Starker KI-Einsatz in der Nachricht einer Führungskraft halbiert die wahrgenommene Aufrichtigkeit in etwa. Die Forscher Cardon und Coman von der USC und der University of Florida befragten über 1.100 Berufstätige und stellten fest, dass mehr als 80 % eine Vorgesetztennachricht mit geringer KI-Unterstützung als aufrichtig einstuften, bei einer Version mit starker KI-Unterstützung nur etwa 40 %. Cardon & Coman, University of Florida (2025)
• Durchschnittlich erhalten Beschäftigte täglich 117 E-Mails und 153 Teams-Nachrichten, die meisten werden in weniger als einer Minute überflogen. Der Work Trend Index von Microsoft ergab, dass Beschäftigte, die Microsoft 365 nutzen, etwa alle zwei Minuten durch eine Nachricht unterbrochen werden, ein Aufkommen, das KI-gestütztes Entwerfen und Zusammenfassen sowohl antreibt als auch von ihm angetrieben wird. Microsoft Work Trend Index (2025)
• Hohe KI-Adoption hat sich bisher nicht als messbarer Geschäftsertrag niedergeschlagen. Die Umfrage von MIT NANDA unter 153 Führungskräften und die Analyse von über 300 KI-Einsätzen in Unternehmen ergab, dass 95 % der Pilotprojekte mit generativer KI keine messbare Wirkung auf die GuV hatten, eine Erinnerung daran, dass schnellere Nachrichtenproduktion nicht dasselbe ist wie bessere Kommunikation. MIT NANDA, „The GenAI Divide: State of AI in Business 2025“, via Fortune

Was KI-vermittelte Kommunikation tatsächlich umfasst

KI-vermittelte Kommunikation ist eine weitere Kategorie als „ChatGPT benutzen, um eine E-Mail zu schreiben“. Hancock und seine Koautoren gliedern sie in Dimensionen, die bestimmen, wie viel Vertrauen auf dem Spiel steht: wie stark die KI eingreift (eine Rechtschreibkorrektur versus eine vollständig generierte Nachricht), wie viel Autonomie sie hat (ein Vorschlag, den Sie freigeben, versus eine Antwort, die sie unbeaufsichtigt versendet) und für wessen Seite sie arbeitet (Effizienz des Absenders versus Verständnis des Empfängers). Eine Grammatikkorrektur und eine vollständig KI-entworfene Leistungsbeurteilung liegen auf demselben Spektrum, bergen aber nicht dasselbe Risiko, weshalb pauschale Verbote und pauschale Erlaubnis gleichermaßen am Kern vorbeigehen. Die beteiligten Werkzeuge, von Large Language Models, die Freitext entwerfen, bis zu integrierten KI-Copiloten, die den nächsten Satz vorschlagen, sind dieselbe Technologie, ob sie einen Tippfehler korrigiert oder eine ganze Glückwunschnachricht schreibt. Was sich ändert, ist die Stärke des Eingriffs und wie viel menschliches Denken noch in der Nachricht steckt.

KI auf Absender- und auf Empfängerseite sind unterschiedliche Probleme

Die meisten Debatten über KI und Kommunikation am Arbeitsplatz konzentrieren sich auf den Absender: Hat eine Person dafür KI benutzt? Doch Hancocks Rahmenwerk behandelt die KI-Nutzung des Empfängers als ebenso relevante Kategorie, und sie wird die häufigere. Wer Ihr sorgfältig formuliertes Update erst durch einen Summarizer laufen lässt, bevor er es liest, betreibt ebenfalls KI-vermittelte Kommunikation, nur vom anderen Ende aus. KI auf Absenderseite riskiert eine Nachricht, die nach niemandem Bestimmten klingt; KI auf Empfängerseite riskiert, genau die Teile zu verwerfen, die Sie am sorgfältigsten ausgearbeitet haben. Genau dieses Übergabeproblem, nämlich zu entscheiden, was ein Agent einer Person in welcher Form präsentiert, behandelt KI-Agents als Teil des Teams führen von der operativen Seite her, als etwas, das man bewusst gestalten sollte, statt es den Standardeinstellungen zu überlassen.

Das Problem des Signalverlusts: Warum Aufwand früher Fürsorge bedeutete

Vor der generativen KI waren Zeit und Konkretheit in einer Nachricht ein kostspieliges, schwer zu fälschendes Signal. Eine persönliche Notiz von drei Absätzen dauerte länger als eine einzeilige Antwort, und die Länge selbst zeigte, wie viel dem Absender lag. Eine Führungskraft, die sich an ein Detail aus Ihrem letzten Gespräch erinnerte und es im Feedback aufgriff, zeigte, statt es nur zu sagen, dass sie aufgepasst hatte. Der Aufwand war der Punkt: Billige Signale lassen sich leicht fälschen, also werten Empfänger sie ab, und aufwendige Signale waren so teuer, dass nur echte Fürsorge sie verlässlich hervorbrachte.

Generative KI kappt diese Verbindung zwischen Aufwand und Kosten. Ein Modell kann in zehn Sekunden eine persönlich klingende, herzlich formulierte Nachricht erzeugen, während der Absender fast kein eigenes Denken beisteuert. Die oben genannte Studie von Cardon und Coman ist der klarste Beleg am Arbeitsplatz dafür, was dann geschieht: Beschäftigte werten ihre Einschätzung von Aufrichtigkeit, Anteilnahme und sogar Führungsfähigkeit des Absenders ab, sobald sie starke KI-Beteiligung vermuten, und der Rückgang ist gerade bei den Nachrichten am stärksten, bei denen Aufrichtigkeit am meisten zählt (Glückwünsche, Anerkennung, persönliches Feedback), nicht bei routinemäßigen Statusmeldungen.

Der Empfänger braucht keinen Beweis, nur einen Verdacht

Die Airbnb-Studie von Jakesch und Kollegen brachte etwas Bedenkenswertes zutage: Der Vertrauensabschlag hängt an der vermuteten, nicht an der bestätigten KI-Urheberschaft. Menschen müssen nicht wissen, dass eine Nachricht KI-geschrieben ist, um sie abzuwerten. Eine Nachricht, die lediglich generisch oder für die Beziehung ein wenig zu glatt wirkt, kann dieselbe Abwertung auslösen wie eine als KI gekennzeichnete Nachricht. Das praktische Risiko lautet nicht „Werde ich ertappt?“, sondern „Wirkt das authentisch wie von mir?“, und das sind zwei unterschiedliche Hürden.

Das Eskalationsproblem: Aus einem Stichpunkt wird eine E-Mail wird ein Stichpunkt

Hier ein Muster, das so verbreitet ist, dass es unter Beobachtern der KI-Nutzung am Arbeitsplatz eine eigene Kurzformel hat: Jemand hat einen Zweizeiler als Gedanken, bittet die KI, daraus eine ordentlich formatierte, herzlich getönte E-Mail zu machen, und schickt sie ab. Der Empfänger, der laut Microsofts Work Trend Index täglich 117 E-Mails und 153 Chat-Nachrichten bewältigen muss, schickt sie durch seinen eigenen KI-Summarizer, der sie wieder auf ungefähr den ursprünglichen Zweizeiler eindampft. Zwei KI-Aufrufe später entspricht die übertragene Information dem, was die zweizeilige Nachricht ohnehin transportiert hätte, nur dass die Erstellung länger gedauert hat, die Verarbeitung länger gedauert hat und in beide Richtungen ein falsches Aufwandssignal mitgeschickt wurde.

Die Schleife ist die natürliche Folge zweier aufeinandertreffender Anreize: Das Werkzeug des Absenders belohnt längeren, glatteren Output, weil genau das für ein Sprachmodell „gutes Schreiben“ ist, und der Posteingang des Empfängers belohnt Kompression, weil niemand Zeit hat, 117 vollständig ausformulierte E-Mails genau zu lesen. Keine Seite tut für sich genommen etwas Unvernünftiges, doch das Ergebnis ist schlechtere Kommunikation, weil die Kompression auf Empfängerseite verlustbehaftet ist, anders als der ursprüngliche kurze Gedanke: Ein Summarizer behält, was statistisch wichtig aussieht, und lässt Einschränkungen, Ton und die konkrete Bitte weg, die die Nachricht überhaupt erst sendenswert machte.

Warum das mehr kostet als Zeit

Der Befund von MIT NANDA, dass 95 % der Pilotprojekte mit generativer KI keine gemessene Wirkung auf die GuV zeigen, ist hier relevant: Individuelle Produktivitätsgewinne summieren sich nicht verlässlich zu organisatorischen Gewinnen, wenn die andere Hälfte der Interaktion, jemand, der die Nachricht liest und darauf reagiert, im selben Maß schlechter wird, wie die erste Hälfte schneller wurde. Das E-Mail-Aufkommen als Problem zu behandeln, das man mit noch mehr KI löst, übersieht, dass das Volumen oft ein Symptom dafür ist, dass billiges Entwerfen auf keinen echten Zuwachs an Informationsgehalt trifft.

Was verloren geht, wenn KI das Meeting zusammenfasst

Werkzeuge zur Meeting-Zusammenfassung lösen ein echtes Problem: Niemand behält eine Stunde Diskussion korrekt im Kopf, und ein schriftliches Protokoll schlägt eine verschwommene Erinnerung. Doch Summarizer gewichten nach Häufigkeit, nicht nach Urteil. Sie heben hervor, was mehrere Personen wiederholten oder was zu „Action Item“-Formulierungen passt, und sind weit weniger verlässlich darin zu erfassen, was wirklich zählte: das Zögern in jemandes Stimme, eine thematisch abseitige Bemerkung, die in Wahrheit das eigentliche Anliegen war, oder der Subtext hinter der Frage, warum eine Entscheidung vertagt wurde. Nichts davon ist ein Formatierungsproblem, das ein besseres Modell behebt; es braucht einen Menschen, der im Raum war.

Das ist etwas anderes als die Frage, ob Menschen sich sicher fühlen, in einem von KI beobachteten Meeting Bedenken zu äußern; das gehört zum Thema bessere Meeting-Kultur gestalten. Die Frage hier ist enger: Sobald die Beteiligten offen gesprochen haben, trägt das Protokoll, das übrig bleibt, noch die Nuancen, oder verflacht es zu einer Stichpunktliste, die nach Konsens aussieht, obwohl der Raum in Wahrheit gespalten war? Teams, die die KI-Zusammenfassung als Gedächtnis des Meetings behandeln statt als einen Input neben den Notizen eines Menschen, entdecken mit der größten Wahrscheinlichkeit Wochen später einen Dissens wieder, den alle für beigelegt hielten.

Eine günstige Lösung, die wirklich funktioniert

Die wertvollste Gewohnheit ist unspektakulär: Wer das Meeting geleitet hat, ergänzt das KI-Transkript um zwei oder drei Zeilen eigener Einschätzung, bevor es verteilt wird, und benennt, was ungeklärt blieb und wer es verantwortet. Das kostet zwei Minuten und bewahrt genau das Signal, das ein nach Häufigkeit gewichtender Summarizer von sich aus nicht erzeugen kann.

Der Vertrauensabschlag: Wenn KI-Nutzung vermutet wird

Die Forschung von Cardon und Coman fand etwas Schärferes als einen Einbruch bei der Aufrichtigkeit: Wenn Vorgesetzte starke KI-Unterstützung ohne Offenlegung nutzten, schrieben nur noch etwa ein Viertel der Beschäftigten die Urheberschaft weiterhin der Führungskraft zu, gegenüber über 90 % bei geringer Unterstützung. Der größte Teil des Publikums schloss also, dass die Person, die angeblich sprach, nicht wirklich diejenige war, die redete. Das verbindet sich mit Vertrauen, wenn Ihr Teamkollege eine KI ist, nur dass die Frage hier in die andere Richtung läuft: nicht das Misstrauen gegenüber einem KI-Teamkollegen, sondern ein Mensch, der das Vertrauen von Kolleginnen und Kollegen verliert, weil diese vermuten, dass er den Teil der Arbeit ausgelagert hat, der persönlich seiner sein sollte.

Der KPMG-Befund, dass 57 % der Beschäftigten ihre KI-Nutzung verbergen, fügt eine zweite Ebene hinzu: Menschen verschweigen sie, weil sie zu Recht eine Strafe vorhersehen, falls sie auffliegt, was bedeutet, dass der tatsächliche Umfang KI-vermittelter Kommunikation in den meisten Organisationen weit über dem liegt, was ein Nutzungs-Dashboard zeigt.

Offenlegung schneidet in beide Richtungen

Die Forschung weist nicht auf „immer offenlegen“ als saubere Lösung hin. Ausdrückliche Offenlegung erhöht den Verdacht manchmal im Vergleich zu einer Nachricht, bei der KI-Nutzung nur vermutet, aber nicht bestätigt wird: Offenlegen kann wie das Eingeständnis wirken, dass die Nachricht nicht wirklich von einem selbst war, während Schweigen einen größeren Vertrauenseinbruch riskiert, falls es später herauskommt. Die meisten Organisationen entscheiden sich stattdessen für einen kontextabhängigen Ansatz: standardmäßig von Menschen geschrieben bei beziehungskritischen Nachrichten mit geringer Frequenz (Feedback, Entschuldigungen, Anerkennung) und KI-Unterstützung bei routinemäßigen Nachrichten mit hoher Frequenz als so unauffällig behandeln, dass man auf Offenlegung verzichten kann. Mehr dazu steht in KI-Etikette und Normen am Arbeitsplatz; der Punkt hier ist enger: Die Offenlegung sollte sich nach dem Beziehungsgewicht einer Nachricht richten, nicht nach einer pauschalen Richtlinie.

Hilfreiche und schädliche Einsatzzwecke

Die klarste Trennlinie in der Forschung verläuft nicht zwischen „KI-Nutzung“ und „keine KI-Nutzung“, sondern danach, ob KI eine echte Lücke zwischen Menschen schließt oder den menschlichen Aufwand ersetzt, der der eigentliche Sinn der Nachricht war. Eine Übersetzung für eine Kollegin, die Ihre Muttersprache nicht teilt, schließt eine Lücke: Ohne KI gab es oft gar keine Kommunikation. Dasselbe gilt dafür, einen dichten Fachpunkt für jemanden außerhalb des Fachgebiets zugänglich zu machen, oder für eine Beschäftigte mit Legasthenie, die mit KI eine Antwort strukturiert, deren Inhalt sie vollständig selbst verfasst hat. Diese Einsatzzwecke entfernen kein menschliches Signal, das zählte; sie entfernen eine Barriere, die nie der Sinn der Interaktion war.

Schädliche Einsatzzwecke ersetzen genau das durch KI, was die Nachricht beweisen sollte: dass eine bestimmte Person sich die Zeit genommen hat, etwas zu bemerken, sich zu kümmern oder Verantwortung zu übernehmen. Eine Glückwunschnachricht existiert, um „Ich habe es bemerkt und freue mich“ zu signalisieren, nicht um Information effizient zu übertragen; erzeugt die KI dieses Signal, ist es gefälscht, selbst wenn die Worte herzlich sind. Eine Entschuldigung existiert, um „Ich verstehe, was ich getan habe, und stehe dafür ein“ zu signalisieren, und eine vollständig KI-entworfene Entschuldigung kehrt ihren eigenen Zweck um. Je mehr die Aufgabe einer Nachricht darin besteht, etwas über die Aufmerksamkeit des Absenders zu beweisen, desto schädlicher wird der KI-Ersatz, ganz gleich, wie gut der Output klingt.

Praktische Regeln, die sich lohnen

Die meisten Teams brauchen keine formale Richtlinie zur KI-Kommunikation, nur ein paar ausdrückliche Absprachen, die das Rätselraten beseitigen.

Erstens: Einigen Sie sich, welche Nachrichtentypen beziehungskritisch genug sind, um sie selbst zu schreiben. Anerkennung, Feedback, Entschuldigungen und alles, was sich auf eine konkrete persönliche Situation bezieht, gehören auf diese Liste; Statusupdates und Terminabstimmung nicht.

Zweitens: Wenn Sie etwas Beziehungskritisches mit KI entwerfen, fügen Sie ein Detail hinzu, das sie nicht kennen konnte: einen gemeinsamen Bezug oder eine echte persönliche Beobachtung. Das wirkt dem generischen Ton entgegen, der Verdacht auslöst.

Drittens: Behandeln Sie eine KI-Meeting-Zusammenfassung nicht als Ersatz dafür, dass jemand zwei Zeilen eigene Einschätzung dazu ergänzt, was ungeklärt blieb. Diese eine Gewohnheit verhindert die meisten „Ich dachte, wir hätten uns da geeinigt“-Konflikte, die KI-zusammengefasste Meetings Wochen später auslösen.

Viertens: Achten Sie darauf, welche Seite der Absender-Empfänger-Schleife Sie speisen. Wenn Ihre ausgehenden Nachrichten durchweg länger sind, als der Inhalt rechtfertigt, und Kolleginnen und Kollegen sie eher überfliegen als lesen, ist es oft der vertrauensfördernde Schritt, selbst die Zweizeilen-Version zu senden, auch wenn sie weniger geschliffen aussieht. Das hängt mit Workslop, Aufwand und Eigenverantwortung zusammen, unterscheidet sich aber davon; dort geht es um KI-generierte Arbeit, die ungeprüft bei Kollegen abgeladen wird, und die Kommunikationsvariante ist eine Nachricht, die bei jemandem abgeladen wird, ohne dass der Absender sie noch einmal gelesen hat. Teams, die eine Orchestrator-Rolle definieren und überlegen, was es bedeutet, das Urteilsvermögen scharf zu halten, während sie mehr Entwurfsarbeit an KI delegieren, werden dieselbe Spannung hier wiedererkennen.

Der älteste Test für eine Arbeitsnachricht gilt weiterhin: Wären Sie damit einverstanden, wenn der Empfänger genau wüsste, wie viel von Ihrem eigenen Denken darin steckt? KI hat diesen Test nicht verändert, nur sehr viel billiger gemacht, ihn zu verfehlen, ohne dass es sofort jemand bemerkt.