Sinn, Identität und Handwerk im KI-Zeitalter: Was passiert, wenn KI den Teil übernimmt, den Sie liebten

Von Victor Hoang · Aktualisiert am 22. September 2026

Sinn bei der Arbeit ist das Gefühl, dass Ihr Einsatz zählt, dass Sie etwas selbst geschaffen statt nur abgenickt haben und dass Ihr Können erkennbar Ihr eigenes ist. KI stellt dieses Gefühl immer dann infrage, wenn sie den anspruchsvollen, fesselnden Teil einer Stelle übernimmt (das Entwerfen, die Diagnose, die Gestaltung) und der Person stattdessen die Beaufsichtigung des Ergebnisses überlässt. Der Verlust ist keine Sentimentalität. Er zeigt sich in Engagement-Werten, darin, wer bleibt, und darin, wie viel freiwilligen Einsatz Menschen in Arbeit stecken, die sie nicht mehr als ihre eigene empfinden.

Die meisten Debatten über KI und Jobs drehen sich um Stellenzahlen und Aufgabenzahlen. Weniger oft wird gefragt, was mit dem Menschen geschieht, der seine Stelle behält, aber genau den Teil verliert, der ihn gut gemacht hat und in dem er sich selbst wiedererkannt hat. Diese Frage hat jahrzehntelange Motivationsforschung hinter sich, nicht weil die Forschenden generative KI vorausgesehen hätten, sondern weil die zugrunde liegenden Mechanismen von Meisterschaft, Ownership und Identität schon gut kartiert waren, bevor KI sie im großen Maßstab auf die Probe stellte.

Wichtige Fakten

• Nur 18 % der US-Beschäftigten sagen, ihr aktueller Job habe einen Sinn, an den sie persönlich glauben, und 45 % arbeiten vor allem für das Gehalt. Die Gallup-Umfrage vom August 2025 unter 4.475 Erwerbstätigen zeigt auch die Gegenrichtung der Lücke: 30 % sagen, ihr idealer Job hätte persönlichen Sinn, deutlich mehr als die 18 %, die ihn heute spüren. Gallup, „Purposeful Work Boosts Engagement, but Few Experience It"
• Die Selbstbestimmungstheorie geht davon aus, dass Autonomie, Kompetenz und soziale Eingebundenheit Bedürfnisse und keine Vorlieben sind und dass die Frustration auch nur eines davon messbare Kosten für Motivation und Wohlbefinden verursacht. Die vier Jahrzehnte Forschung von Deci und Ryan ergaben, dass die Art der Motivation (autonom versus kontrolliert) Leistung und Durchhaltevermögen besser vorhersagt als ihr bloßes Ausmaß. Self-Determination Theory, offizielle Theorieseite
• Menschen zahlen 63 % mehr für ein Möbelstück, das sie selbst aufgebaut haben, als für ein identisches fertig montiertes, aber nur, wenn sie es auch fertiggestellt haben. Die Studien zum „IKEA-Effekt" von Norton, Mochon und Ariely zeigten, dass der Wertzuwachs durch die eigene Arbeit verschwindet, sobald die Aufgabe vor der Fertigstellung abgebrochen oder zerstört wird. Norton, Mochon & Ariely, Journal of Consumer Psychology (2012)
• Von allen Ereignissen im Arbeitstag hat kleiner, sichtbarer Fortschritt bei sinnvoller Arbeit den stärksten Einfluss auf Stimmung, Motivation und die Sicht auf Kolleginnen und Kollegen. Die tagebuchbasierte Forschung von Teresa Amabile und Steven Kramer ist der Ursprung dessen, was sie das Fortschrittsprinzip nannten. Amabile & Kramer, „The Power of Small Wins", Harvard Business Review (2011)
• 86 % der KI-Nutzer behandeln KI-Ergebnisse inzwischen als Ausgangspunkt statt als fertige Antwort, und 58 % sagen, sie erstellen Arbeit, die sie vor einem Jahr nicht hätten erstellen können. Microsoft deutet das so, dass menschliches Urteilsvermögen für die Arbeit zentraler wird, nicht weniger zentral, während KI mehr von der Ausführungsebene übernimmt. Microsoft 2026 Work Trend Index Annual Report
• In einer Studie mit 206 Medizinstudierenden und Ärztinnen und Ärzten sagten Bedrohungen der beruflichen Fähigkeiten (Autonomie und Rolle als Behandelnde) den Widerstand gegen KI direkt voraus, während Bedrohungen der beruflichen Anerkennung indirekt über ein Gefühl persönlicher Bedrohung wirkten. Erfahrene Ärztinnen und Ärzte zeigten messbar weniger Widerstand und weniger Selbstbedrohung als Studierende am Karrierebeginn. Jussupow, Spohrer & Heinzl, JMIR Formative Research (2022)

Warum Sinn bei der Arbeit kein weiches Thema ist

Es ist verlockend, die Frage „fühlt sich mein Job sinnvoll an" unter Mitarbeiterzufriedenheit als angenehmes Extra abzulegen, irgendwo hinter Durchsatz und Kosten pro Ergebnis. Die Gallup-Zahlen oben sprechen gegen diese Ablage. Nur 18 % der Beschäftigten beschreiben ihren Job derzeit als Arbeit mit einem Sinn, an den sie persönlich glauben, doch 30 % sagen, genau das biete ihr idealer Job. Diese Lücke von 12 Punkten ist keine Präferenzlücke, sondern eine Lücke bei Bindung und Einsatz, die offen daliegt und schon Jahre vor dem aktuellen KI-Rollout bestand. KI schafft das Sinnproblem nicht. Sie verändert, welche Jobs auf welcher Seite dieser Lücke landen, und sie kann die Lücke schnell vergrößern, wenn ein Umbau unachtsam gehandhabt wird.

Der Mechanismus läuft über freiwilligen Mehreinsatz, also den Teil des eigenen Könnens, den ein Mensch bewusst einbringt und den keine Führungskraft anordnen kann. Wer sinnvolle Arbeit leistet, meldet sich für das schwierige Problem, entdeckt den Fehler, den niemand ihm zugewiesen hat, und bleibt zehn Minuten länger, um etwas richtig zu machen. Wer Arbeit ohne Sinn leistet, tut das Minimum der Stellenbeschreibung und schaut sich um, sobald ein besseres Angebot auftaucht. Fast die Hälfte der Beschäftigten in der Gallup-Stichprobe, 45 %, beschreibt ihr Verhältnis zur Arbeit bereits als transaktional: Sie erscheinen wegen des Gehalts. Genau diese Gruppe ist am stärksten betroffen, wenn KI das letzte Stück des Jobs entfernt, das sich noch wie ihr eigenes anfühlte.

Der konkrete Verlust: Wenn KI die interessanten 20 % nimmt und die Kontrolle zurücklässt

Wenn KI die Routinearbeit entfernt, kann der Sinn wachsen

Die klarste Variante dieses Problems ist strukturell, nicht emotional. Die meisten Jobs sind eine Mischung aus Aufgaben: manche wirklich anspruchsvoll und fesselnd, manche Routine, manche reiner Verwaltungsaufwand. Wird KI gut eingesetzt, nimmt sie den Routineaufwand weg und überlässt der Person mehr von der anspruchsvollen, motivierenden Arbeit. Support-Mitarbeitende, die KI-Entwürfe für Routine-Tickets erhalten und die komplexen Eskalationen behalten, berichten tendenziell von höherer Zufriedenheit, weil KI den Teil übernommen hat, den sie nicht wollten.

Das Problem der Restaufgabe

Der Fehlerfall verläuft in die andere Richtung. Übernimmt KI Entwurfs-, Diagnose- oder Gestaltungsarbeit, die Urteilskraft erforderte und ein sichtbares, zurechenbares Ergebnis hervorbrachte, kann sie dem Menschen genau den Teil überlassen, den ohnehin niemand wollte: die Ergebnisse des Modells Zeile für Zeile zu prüfen, zu validieren und zu korrigieren. Legen Sie das an das Job-Characteristics-Modell von Hackman und Oldham an, das Rahmenwerk von 1976, das sich auch gegenüber neuen Arbeitsformen gut behauptet. Es nennt fünf Jobdimensionen, nämlich Anforderungsvielfalt, Ganzheitlichkeit der Aufgabe, Bedeutsamkeit der Aufgabe, Autonomie und Rückmeldung, die zum erlebten Sinn der Arbeit führen: dem Gefühl, dass der Job bedeutsam ist und der Einsatz darin geschätzt wird. Die Kontrolle von KI-Ergebnissen auf Fehler schneidet bei nahezu jeder dieser fünf Dimensionen schlecht ab. Das ständige Prüfen desselben Ergebnisses bietet wenig Anforderungsvielfalt. Die Ganzheitlichkeit der Aufgabe, das Gefühl, etwas von Anfang bis Ende selbst geschaffen zu haben, entfällt; die KI hat es gemacht, der Mensch hat es nur inspiziert. Und der eigene Beitrag wird unsichtbar: Niemand würdigt sorgfältige Verifikation so, wie er einen fertigen Entwurf oder einen von Grund auf gelösten Fall würdigt.

Deshalb ist es auch ein schwierigeres Problem, als es aussieht, das menschliche Urteilsvermögen scharf zu halten. Verifikationsarbeit ist nicht nur weniger befriedigend als die Arbeit, die sie ersetzt; sie untergräbt gerade das Urteilsvermögen, das ein Prüfer braucht, um einen feinen KI-Fehler zu erkennen, denn dieses Urteilsvermögen entsteht durch eigenes manuelles Arbeiten, nicht durch das Inspizieren fremder Versuche. Ein Team, das die interessanten 20 % einer Stelle an KI abgibt und den Rest „Qualitätskontrolle" nennt, hat den Job nicht vereinfacht. Es hat eine anspruchsvolle, motivierende Aufgabe gegen eine anspruchsvolle, demotivierende getauscht und dieselbe Person gebeten, in beidem gleich gut zu sein.

Der IKEA-Effekt: Warum Aufwand und Ownership dasselbe sind

Die Forschung von Norton, Mochon und Ariely zum IKEA-Effekt liefert die klarste Erklärung dafür, warum dieser Tausch mehr kostet, als es scheint. Ihre Studien zeigten, dass Menschen, die ihre Möbel selbst aufbauten, ihr Origami selbst falteten oder ihre Lego-Sets selbst bauten, das fertige Objekt deutlich höher bewerteten als ein identisches Objekt, das jemand anderes gefertigt hatte, in einer Studie um bis zu 63 %. Die eigenen, unvollkommen zusammengebauten Werke bewerteten die Teilnehmenden nach eigenem Maßstab fast so hoch wie von Experten gefertigte, eine Überhöhung, die die Forschenden der Arbeit selbst zuschreiben, nicht dem Ergebnis.

Für die Gestaltung der Arbeit im KI-Zeitalter ist die Randbedingung der wichtigste Befund: Der Ownership-Aufschlag entsteht nur, wenn die Person die Aufgabe tatsächlich abschließt. Wird die Arbeit unterbrochen oder der letzte Schritt an jemand anderen übergeben, verschwindet der Effekt. Den fertigen Entwurf einer KI zu prüfen, entspricht funktional der unterbrochenen Bedingung. Der Mensch hat Aufwand beigesteuert, aber nicht den Aufwand, der Ownership erzeugt, denn die KI hat das Ding fertiggestellt. Das ist kein Argument gegen den Einsatz von KI für Entwürfe. Es ist ein Argument dafür, dass ein Job, der auf reine Prüfarbeit umgebaut wurde, sich nicht wundern sollte, wenn Ownership und Stolz, die früher dazugehörten, leise verschwinden, selbst wenn das gemessene Ergebnis im Dashboard gleich oder besser aussieht.

Identitätsbedrohung: Wenn Expertise war, wer Sie waren

Für eine kleinere, aber folgenreiche Gruppe geht der Verlust über die Aufgabenzufriedenheit hinaus in die Identität. Menschen, die ein Jahrzehnt lang tiefe Expertise in einem Gebiet aufgebaut haben, Radiologie, Steuerrecht, Systemarchitektur, Senior Copywriting, erleben ihre Expertise oft als Teil dessen, wer sie sind, nicht nur dessen, was sie tun. Übernimmt KI die diagnostische Mustererkennung, die juristische Erstanalyse oder den ersten Entwurf, die früher diese Expertise erforderten, lautet die Bedrohung nicht „habe ich noch einen Job". Sie lautet eher „wenn die Maschine das tut, wofür ich bekannt bin, was unterscheidet mich dann noch".

Die Forschung zu KI-bedingter Identitätsbedrohung gibt dem eine nützliche Struktur. Eine Studie mit 206 Medizinstudierenden und praktizierenden Ärztinnen und Ärzten fand zwei getrennte Bedrohungsdimensionen: Bedrohungen der beruflichen Anerkennung (dass Status und Expertise gewürdigt werden) und Bedrohungen der beruflichen Fähigkeiten (Autonomie und die eigentliche Arbeit als Behandelnde). Bedrohungen der Fähigkeiten sagten Widerstand gegen KI direkt voraus; Bedrohungen der Anerkennung wirkten indirekt, vermittelt darüber, wie persönlich bedroht sich jemand fühlte. Die beiden Gruppen unterschieden sich auch nach Karrierephase: Medizinstudierende, die stark in eine Identität investiert hatten, die sie noch nicht voll ausgeübt hatten, zeigten stärkeren Widerstand und stärkere Selbstbedrohung als erfahrene Ärztinnen und Ärzte, die schon einen ganzen Berufsweg an Beweisen für ihre Fähigkeiten gesammelt hatten. Identitätsbedrohung durch KI verteilt sich nicht gleichmäßig auf eine Belegschaft; sie konzentriert sich auf Menschen, deren berufliches Selbstwertgefühl jünger ist oder enger an genau die Fähigkeit gebunden ist, die KI nun ausführt.

Das unterscheidet sich von einem einfachen Change-Management-Problem, und es als solches zu behandeln (mit einer Schulungspräsentation, einer Rollout-Mail, einer Betriebsversammlung) verfehlt, was tatsächlich geschieht. Ein Mensch, dessen Expertise unter Identitätsbedrohung steht, ist nicht verwirrt darüber, wie das neue Tool funktioniert. Er berechnet neu, wer er bei der Arbeit ist, und das dauert länger als ein Schulungszyklus.

Was Sinn wirklich bewahrt

Die Forschung verweist auf eine konsistente kurze Liste, und bei keinem Punkt geht es darum, die KI-Einführung zu verlangsamen.

Meisterschaft

Das Kompetenzbedürfnis der Selbstbestimmungstheorie wird durch sichtbares Wachstum der Fähigkeiten befriedigt, nicht dadurch, Herausforderungen zu meiden. Umgebaute Arbeit sollte weiterhin einen Weg enthalten, in etwas messbar besser zu werden, auf das die Person zeigen kann, sei es durch Urteile, die KI nicht fällen kann, durch die Teile des Handwerks, die weiter von Hand erfolgen, oder durch eine neue Fähigkeit, für die der KI-Wandel Raum geschaffen hat.

Autonomie

Das Autonomiebedürfnis nach Deci und Ryan bedeutet, sich als Urheber des eigenen Handelns zu fühlen, nicht, gar keine Aufsicht zu haben. Arbeit, die echten Ermessensspielraum behält, etwa die Entscheidung, wie ein Problem angegangen wird, wann die KI überstimmt wird und wie die Arbeit gegliedert wird, schützt dies, auch wenn die KI mehr von der Ausführung übernimmt.

Sichtbarer Beitrag

Die Dimensionen Ganzheitlichkeit der Aufgabe und Rückmeldung bei Hackman und Oldham weisen in dieselbe Richtung: Menschen müssen das ganze Ding sehen, das sie geschaffen haben, und hören, wie es angekommen ist. Umbauten, die Arbeit in unsichtbare Prüfschritte zerlegen, nehmen das weg; Umbauten, die Menschen die Ownership für ein vollständiges Ergebnis geben, selbst ein kleineres, bewahren es.

Fortschritt bei etwas, das zählt

Das Fortschrittsprinzip von Amabile und Kramer ist wohl das am besten umsetzbare der vier. Ihre Tagebuchforschung fand, dass der stärkste einzelne Treiber eines guten Arbeitstags sichtbares Vorankommen bei sinnvoller Arbeit war und dass Rückschläge in die Gegenrichtung noch stärker wirkten. Führungskräfte können das gezielt gestalten: klare Meilensteine, schnelle Feedbackschleifen und Anerkennung, die den konkreten Beitrag benennt, statt das Tool zu loben.

Die folgende Tabelle ordnet diese Quellen danach, wie KI sie bedrohen kann und was sie tatsächlich hält.

Was Führungskräfte konkret tun können

Beginnen Sie mit einer Prüfung, welche Aufgaben die KI entfernt hat und welche geblieben sind, und zwar durch die Brille der Job Characteristics statt durch die der Stellenzahlen. Hat KI die Routine von 80 % übernommen und die anspruchsvollen, urteilsintensiven 20 % belassen, ist der Umbau wahrscheinlich in Ordnung und kann den Sinn sogar steigern. Hat sie den anspruchsvollen, befriedigenden Teil genommen und die Kontrolle übrig gelassen, braucht der Job einen aktiven Umbau, nicht bloß ein neues Tool, das auf die alte Struktur aufgesetzt wird.

Geben Sie Menschen etwas, das sie zu Ende bringen. Der IKEA-Effekt ist eine Gestaltungsvorgabe, keine Metapher: Strukturieren Sie KI-gestützte Arbeit so, dass ein Mensch ein ganzes, zurechenbares Stück davon abschließt, statt dauerhaft das fertige Produkt eines anderen zu inspizieren. Selbst ein kleinerer Umfang, der vollständig in eigener Hand liegt, schlägt einen größeren, der nur teilweise in eigener Hand liegt.

Schützen Sie echte Autonomie, nicht deren Anschein. Jemanden die Schriftart wählen zu lassen, während jede inhaltliche Urteilsentscheidung aus seinem Job verschwindet, stellt niemanden zufrieden, und die Selbstbestimmungstheorie ist hier eindeutig: Autonomie heißt, sich als Urheber der Entscheidung zu fühlen, nicht, zu einer bereits getroffenen Entscheidung angehört zu werden.

Gestalten Sie sichtbaren Fortschritt gezielt. Amabile und Kramer fanden, dass Fortschritt bei sinnvoller Arbeit gute Tage stärker prägt als jedes andere einzelne Ereignis, und das heißt, er lässt sich steuern: Setzen Sie Meilensteine innerhalb KI-gestützter Workflows, schließen Sie die Feedbackschleife schnell und benennen Sie, was eine bestimmte Person tatsächlich beigetragen hat, statt ein schnelles KI-gestütztes Ergebnis im allgemeinen Teamdurchsatz verschwimmen zu lassen.

Behandeln Sie Identitätsbedrohung als ein längeres Gespräch als eine Rollout-Ankündigung, besonders bei Menschen am Karrierebeginn, die die meiste Identität in eine Fähigkeit investiert haben, die KI nun berührt. Die Forschung zu Studierenden und Ärztinnen und Ärzten legt nahe, dass diese Gruppe mehr braucht als die Zusicherung, ihr Job sei sicher; sie braucht eine glaubwürdige Darstellung dessen, was ihre Expertise als Nächstes wird, und genug Zeit, Vertrauen in diese Darstellung aufzubauen, bevor man sie bittet, ihr zu trauen.

Nichts davon erfordert, die KI zu bremsen. Es erfordert, den Umbau des Jobs so ernst zu nehmen wie die Einführung des Tools, denn das Tool verändert, was Menschen an einem Nachmittag tun, und der Umbau entscheidet, ob sie sich in einem Jahr noch in ihrer Arbeit wiedererkennen. Einen breiteren Blick darauf, wie sich Rollen verschieben, wenn KI die Ausführung übernimmt, bieten vom Ausführenden zum Orchestrator und welche Jobs KI verändert statt ersetzt. Das Muster nach Karrierephase in der Forschung zur Identitätsbedrohung hängt zudem direkt mit Karrierewegen im Zeitalter der KI und mit der gebrochenen untersten Sprosse zusammen, denn die Menschen mit der am wenigsten bewährten Identität, auf die sie zurückgreifen können, stehen überproportional am Anfang ihrer Laufbahn. Und weil sich der Sinnverlust zu einem Bindungsrisiko aufschaukelt, steht er nahe bei Kultur und Mitarbeiterbindung, Burnout-Kultur, Workslop und der Verbindung von Aufwand und Ownership und dem Aufbau einer Kultur der Verantwortlichkeit, die alle neben diesem Beitrag lesenswert sind. Den größeren Rahmen bietet was die Zukunft der Arbeit ist.