Die Humanprämie: Was Unternehmen bewusst in menschlicher Hand lassen und warum

Von Victor Hoang · Aktualisiert am 22. September 2026

Die Humanprämie ist die bewusste Entscheidung, bei einer bestimmten Aufgabe einen Menschen statt eines Modells einzusetzen, weil ein Mensch dort messbar ein besseres Ergebnis erzielt: mehr Vertrauen, höhere Zufriedenheit, weniger kostspielige Fehler. Sie ist eine Ressourcenentscheidung auf Basis von Evidenz, nicht von Sentiment, und sie als Strategie zu behandeln unterscheidet Unternehmen, die es richtig machen, von jenen, die alles oder nichts automatisieren.

Die meisten Texte über KI und Arbeit behandeln „menschlich lassen" als Rückzugsposition für alle, denen Veränderung unbehaglich ist. Dieser Beitrag behandelt es als Hypothese, die sich ihren Platz verdienen muss, und Unternehmen, die die Evidenz richtig lesen, machen aus „das lassen wir menschlich" einen Wettbewerbsvorteil statt eines vagen Trostes.

Wichtige Fakten

• Verbraucher bevorzugen deutlich einen menschlichen Ansprechpartner, sobald ein Anliegen kompliziert wird. Eine Synthese der California Management Review zur Forschung über Chatbot-Frust beziffert das auf 70 bis 80 %, und sie zitiert eine Gartner-Umfrage unter 5.728 Kunden, in der 53 % bei reinem KI-Service einen Anbieterwechsel in Betracht ziehen würden. California Management Review, „Chatbot Frustration Is Real"
• Wenn ein Unternehmen Nein sagen muss, schafft das die KI problemlos. Wenn es sich entschuldigen muss, macht ein Mensch es besser. Eine Studie im Journal of Business Research von 2026 zur Beschwerdebewältigung fand, dass von Menschen überbrachte Entschuldigungen und von KI überbrachte Ablehnungen die günstigsten Ergebnisse brachten, getrieben von wahrgenommener Aufrichtigkeit. Zhao, Song & Cai, Journal of Business Research (2026)
• Menschen verlieren das Vertrauen in einen Algorithmus nach demselben Fehler schneller als in einen Menschen. Berkeley Dietvorsts Forschung zur Algorithmenaversion ergab, dass Menschen das Vertrauen in einen algorithmischen Prognostiker schneller verlieren als in einen menschlichen, nachdem sie einen Fehler gesehen haben, obwohl die Algorithmen im Schnitt besser abschnitten als die Menschen. Chicago Booth Review, „Even When Algorithms Outperform Humans, People Often Reject Them"
• Bei wirklich folgenschweren Entscheidungen wählen Menschen den Menschen, selbst wenn ein Algorithmus genauso gut abschneidet. Ein präregistriertes Conjoint-Experiment mit rund 9.000 US-Befragten ergab eine Präferenz von 7,6 Punkten für menschliche Richter gegenüber Algorithmen bei der Freilassung vor dem Prozess und von 4,3 Punkten für menschliche Kreditsachbearbeiter gegenüber Algorithmen bei der Kreditvergabe. PNAS Nexus, „Public attitudes on performance for algorithmic and human decision-makers"
• Klarnas KI-first-Wette im Kundenservice stieß auf Qualitätsprobleme, die Automatisierung nicht lösen konnte. Nachdem die KI rund 2,3 Millionen Gespräche pro Monat bearbeitet hatte und der Headcount um 22 % gesunken war, änderte CEO Sebastian Siemiatkowski 2025 den Kurs, nannte die Qualität menschlichen Supports „den Weg der Zukunft" und stellte wieder für die Rolle ein, die die KI ersetzen sollte. Entrepreneur, „Klarna Is Hiring Customer Service Agents After AI Couldn't Cut It on Calls"
• Die meisten Pilotprojekte mit generativer KI in Unternehmen erreichen nie eine messbare finanzielle Wirkung, so das Tracking von Unternehmens-Pilotprojekten durch das MIT, ein Grund dafür, dass „das bleibt vorerst menschlich" oft die rationale Standardlösung ist und kein widerwilliger Rückzug. Fortune, „MIT report: 95% of generative AI pilots at companies are failing"
• Microsofts Work Trend Index 2025 argumentiert, manche Arbeit bleibe menschlich, weil jemand die Konsequenz verantworten muss. Unter Verweis auf das Framework des Ökonomen Daniel Susskind nennt er drei Gründe: Die Zusammenarbeit von Mensch und KI ist oft effizienter, Menschen haben eine bleibende Vorliebe für menschliche Interaktion, und moralische Verantwortung braucht eine Person, die sie tragen kann. Microsoft WorkLab, „2025: The Year the Frontier Firm Is Born"

Was die Humanprämie tatsächlich bedeutet

Der Ausdruck wird lose verwendet, deshalb lohnt es sich, präzise zu sein. Die Humanprämie bedeutet nicht „Kunden mögen Menschen", eine Binsenweisheit, die nichts darüber sagt, wo ein knappes Personalbudget einzusetzen ist. Sie ist die messbare Ergebnislücke (Zufriedenheit, Lösungsqualität, gehaltener Umsatz, vermiedener Reputationsschaden) zwischen der Zuweisung einer Aufgabe an einen Menschen oder an ein Modell, an Touchpoints, an denen diese Lücke zählt.

Diese Rahmung schneidet in beide Richtungen. Wo die Lücke klein ist, sind die „Prämie" Kosten ohne Gegenwert, und sie zu verteidigen ist teure Gewohnheit, kein Prinzip. Wo die Lücke groß ist, ist es der Fehler, den Menschen als Posten zu behandeln, den man kürzt. Wie die Zukunft der Arbeit tatsächlich aussieht, ist eine Mischung, die Touchpoint für Touchpoint entschieden wird, und die Humanprämie benennt die Touchpoints, an denen diese Mischung zur Person hin kippen sollte.

Das unterscheidet sich von der Frage, welche Jobs KI verändert statt ersetzt, die danach fragt, wie sich der Aufgabenmix einer Rolle verschiebt. Die Humanprämie stellt eine engere, kommerzielle Frage: Bringt es ein besseres Geschäftsergebnis, einen Menschen als letzte Stimme in genau diesem Moment zu behalten, statt ihn zu entfernen, unabhängig davon, ob darunter KI entwirft oder analysiert?

Wo die Evidenz zeigt, dass Menschen einen Menschen wollen

Folgenschwere Entscheidungen, die niemand allein einer Maschine überlassen will

Die klarste experimentelle Evidenz betrifft Entscheidungen, bei denen ein Fehler teuer und schwer rückgängig zu machen ist. In der oben zitierten PNAS-Nexus-Studie bevorzugten rund 9.000 Befragte einen menschlichen Richter gegenüber einem Algorithmus bei der Freilassung vor dem Prozess und einen menschlichen Kreditsachbearbeiter gegenüber einem Algorithmus bei der Kreditvergabe, selbst wenn die angegebene Genauigkeit des Algorithmus der des Menschen entsprach oder sie übertraf.

Der Mechanismus gilt über Gerichtssäle und Bankfilialen hinaus. Jede Entscheidung, bei der eine reale Person eine schwer umkehrbare Folge trägt, löst dieselbe Reaktion aus: Menschen wollen, dass sie von jemandem getroffen oder zumindest geprüft wird, mit dem man reden kann und der zur Verantwortung gezogen werden kann. Das ist eine andere Anforderung als „die genaueste Antwort erhalten", und deshalb ist ein Modell, das beim Ausfallrisiko besser prognostiziert als ein Kreditsachbearbeiter, trotzdem allein kein vollständiger Ersatz für ihn.

Komplexe und emotional aufgeladene Beschwerden

Im Kundenservice zeigt sich das in der Praxis am deutlichsten. Der oben genannte Befund aus dem Journal of Business Research ist der schärfste Datenpunkt: Wenn ein Unternehmen eine Routineabsage überbringen muss, schlägt sich die KI gut. Wenn es sich für eigenes Versagen entschuldigen muss, wirkt eine menschliche Entschuldigung aufrichtig, wie es eine von KI überbrachte nicht tut, und diese wahrgenommene Aufrichtigkeit bestimmt die Zufriedenheit stärker als die Frage, ob das Problem gelöst wurde.

Das passt zur breiteren Literatur über Chatbot-Frust (70 bis 80 % bevorzugen einen Menschen, sobald es kompliziert wird) und dazu, warum Kultur und Kundenerlebnis eine Beschwerde als Beziehungsmoment behandelt und nicht als Ticket, das es zu schließen gilt. Es hängt auch damit zusammen, wie KI-vermittelte Kommunikation verändert, was eine Nachricht signalisiert: Ein Kunde, der vermutet, dass sich kein Mensch mit seiner Beschwerde befasst hat, liest diese Abwesenheit als Zeichen, dass dem Unternehmen nicht genug daran liegt, hinzusehen, und keine Formulierung behebt das.

Vertrauensabhängige Momente und das Problem des ersten Fehlers

Algorithmenaversion erklärt ein Muster, auf das jedes Team mit KI im Produktivbetrieb irgendwann stößt: Der erste sichtbare KI-Fehler schadet dem Vertrauen überproportional, mehr als derselbe Fehler einer Person. Dietvorsts Arbeit ergab, dass Menschen das Vertrauen in einen algorithmischen Prognostiker nach einem identischen Fehler schneller verlieren als in einen menschlichen, obwohl der Algorithmus insgesamt nachweislich genauer war. Menschen legen an Algorithmen einen nahezu perfekten Maßstab an, den sie nie an Menschen anlegen, und ein schlechtes Ergebnis genügt oft, um die Beziehung dauerhaft zu trüben.

Diese Asymmetrie ist eine echte Gestaltungsrandbedingung, kein Kundenfehler, den man wegdiskutieren könnte. An jedem Touchpoint, an dem ein sichtbarer Fehler überproportionalen Markenschaden anrichten würde, sind die praktischen Kosten eines Fehlers bei KI höher als bei einem Menschen, der dieselbe Arbeit macht, allein weil Menschen so unterschiedlich darauf reagieren. Es ist auch der Grund, warum es hier zählt, menschliches Urteilsvermögen scharf zu halten: Ein Prüfer, der die Fähigkeit, eine falsche Antwort zu erkennen, nicht mehr übt, ist das schwache Glied, das den ersten schlimmen Fehler durchlässt.

Kreatives Urteil und die Urheberschaftsprämie

Eine kleinere, aber interessante Forschungsrichtung findet, dass Menschen kreative Arbeit anders bewerten, sobald sie wissen, dass ein Mensch sie geschaffen hat, selbst bei vergleichbarer Qualität. Eine aktuelle umfragebasierte Studie (ein Preprint mit 70 studentischen Teilnehmenden, also als Hinweis zu verstehen) fand, dass 72,9 % der Befragten bereit waren, mehr für Arbeit zu zahlen, von der sie glaubten, sie sei von Menschen gemacht, gebunden an wahrgenommenen Aufwand und Urheberschaft statt an Politur. Ein Teil des Werts, den Kunden kreativem und markenprägendem Output zuschreiben, liegt im Wissen, dass eine bestimmte Person dahintersteht, schützenswert in Rollen, in denen komplementäre menschliche Fähigkeiten wie Geschmack und Urteilsvermögen das eigentliche Produkt sind.

Verantwortlichkeit, die jemand tatsächlich tragen kann

Die oben genannte Rahmung von Microsoft benennt den Teil, den Kundenpräferenzdaten allein nicht erfassen: Manche Entscheidungen brauchen eine Person, die zur Rechenschaft gezogen werden kann, nicht nur eine, mit der Kunden lieber sprechen. Ein KI-System lässt sich neu trainieren oder abstrakt „dem Modell" anlasten, aber es kann nicht entlassen werden, sich nicht unter persönlichen Kosten entschuldigen und nicht der Name sein, der an einer Entscheidung hängt, wenn jemand fragt, wer diese Entscheidung getroffen hat. Wo die Haftung für eine KI-getriebene Entscheidung sonst unklar wäre, signalisiert diese Unklarheit selbst, dass der Touchpoint einem Menschen gehört, und es ist der Grund, warum Vertrauen in ein KI-Teammitglied eine Obergrenze hat, die ein vertrauter Mensch nicht hat.

Wenn KI im Kundenservice nach hinten losgeht: der Fall Klarna

Klarnas Kehrtwende ist die sauberste öffentliche Fallstudie, weil das Unternehmen sowohl über die Wette als auch über den Rückzieher transparent war. Im Februar 2024 sagte CEO Sebastian Siemiatkowski, Klarnas KI-Assistent leiste die Arbeit von 700 menschlichen Mitarbeitenden, bearbeite rund 2,3 Millionen Gespräche pro Monat und senke die Lösungszeit von 11 Minuten auf unter zwei. Der Headcount sank im Zeitraum um 22 %. Damals las es sich wie der endgültige Beleg für die vollständige Automatisierung des Kundensupports.

2025 erzählte Siemiatkowski eine andere Geschichte. Die Servicequalität hatte bei den Beschwerden und Randfällen nachgelassen, die einen kleinen Anteil des Volumens, aber einen großen Anteil der Kundenstimmung ausmachen, genau die Fälle, für die die oben genannte Forschung einen aufrichtigen, verantwortlichen Menschen fordert. Seine Erklärung war direkt: Der KI-first-Ansatz „war nicht der richtige Weg", und „in die Qualität menschlichen Supports zu investieren, ist der Weg der Zukunft". Klarna begann wieder, eine überwiegend remote arbeitende menschliche Schicht für die Interaktionen einzustellen, die schiefgelaufen waren, und behielt die KI für das Routinevolumen, das sie weiterhin gut bewältigte.

Die Lehre lautet nicht „KI im Kundenservice scheitert". Klarnas KI bearbeitet weiterhin den Großteil der routinemäßigen Kontakte mit geringem Risiko, und niemand schlug vor, das rückgängig zu machen. Die Lehre ist, dass eine einzige zusammengefasste Kennzahl, durchschnittliche Lösungszeit oder Kosten pro Kontakt, einen Qualitätseinbruch genau dort verbarg, wo die oben genannte Evidenz einen Menschen verortet: bei komplexen Beschwerden, emotional aufgeladenen Momenten, Fällen, in denen sich ein Kunde gehört fühlen musste. Wer nur auf den Durchschnitt optimiert, übersieht das Ende der Verteilung, und dort lagen die Abwanderung und der Reputationsschaden tatsächlich.

Das Human-Washing-Risiko: eine Prämie behaupten, die man nicht liefert

Sobald „wir lassen es menschlich" zur Marketingzeile wird, entsteht ein neuer Fehlermodus: eine Humanprämie zu behaupten, die das Unternehmen nicht liefert. Nennen wir es Human-Washing, das Kundenservice-Gegenstück zum AI-Washing, bei dem Sprache, Namen und Interface-Design suggerieren, ein Mensch sei beteiligt, obwohl die Substanz weiter automatisiert ist, oder bei dem zwar ein echter Mensch existiert, aber keine Befugnis hat, das Ergebnis zu ändern.

Das Muster ist erkennbar: ein Chatfenster mit menschlich klingendem Namen und Porträtfoto, das auf ein Skript verweist, von dem der „Agent" nicht abweichen kann; eine „Eskalation an einen Spezialisten", die in Wahrheit nur eine längere Warteschlange für denselben Bot ist; ein Versprechen, „Sie erreichen immer einen Menschen", bei dem dieser Mensch die automatisierte Entscheidung, die den Kunden überhaupt erst verärgert hat, nicht übersteuern kann. Jedes davon überlebt vielleicht ein oberflächliches Audit und verfehlt doch, was Kunden tatsächlich wollten: eine Person, die ihre Situation mit Urteilsvermögen beurteilen kann.

Human-Washing ist die schlechtere Wette als ehrliche Automatisierung, kein sichererer Mittelweg. Die Forschung zur Algorithmenaversion zeigt, dass Menschen einen offengelegten KI-Fehler härter bestrafen als einen gleichwertigen menschlichen; wer entdeckt, dass ein versprochener Mensch nie wirklich befugt war, zahlt eine zweite Strafe, das Gefühl, absichtlich getäuscht worden zu sein. Drei Prüfungen fangen das meiste ab, bevor es live geht: Kann dieser „Mensch" das Ergebnis tatsächlich ändern, statt es nur freundlicher zu wiederholen? Steht eine echte, benannte, verantwortliche Person hinter der Interaktion? Und wäre es dem Unternehmen recht, wenn der Kunde genau sehen könnte, wie viel davon tatsächlich ein Mensch angefasst hat?

Wie Sie entscheiden, welche Touchpoints menschlich bleiben: ein klarer Test

Prüfen Sie jeden Touchpoint mit zwei Fragen. Erstens: Was kostet ein schlechtes Ergebnis tatsächlich, in Geld, Sicherheit, rechtlicher Exposition oder einer über Jahre gewachsenen Beziehung? Zweitens: Hängt das Vertrauen in das Ergebnis davon ab, zu glauben, dass sich ein Mensch mit der Situation befasst hat, unabhängig davon, ob der Inhalt selbst korrekt ist? Ein Touchpoint, der bei einer der beiden Fragen hoch punktet, ist ein Kandidat für die Humanprämie; einer, der bei beiden niedrig punktet, lässt sich gefahrlos und oft besser automatisieren.

Wenden Sie diesen Test ehrlich an, und er empfiehlt in manchen Zeilen mehr Automatisierung, als der Instinkt nahelegt, und in anderen mehr Schutz, als das Budget will. Diese Spannung ist der Punkt. Ein Test, der immer nur Automatisierung empfiehlt, oder immer nur Menschen, ist kein Test.

Die interne Version: Führungsarbeit, die nie delegiert werden sollte

Alles oben Gesagte gilt auch im Unternehmen selbst, und die Einsätze sind dort meist höher. Die Aufgabe der mittleren Führungskraft verändert sich unter KI bereits, und die Versuchung, ein Modell Teile des People Managements entwerfen, bewerten oder entscheiden zu lassen, ist real, weil KI bei den mechanischen Teilen tatsächlich hilft: Leistungsdaten zusammenführen, eine erste Version von Feedback entwerfen, Muster im Team markieren.

Dort, wo sie aufhören sollte, verläuft dieselbe Linie wie beim kundenseitigen Test. Performance Management, wenn KI die zugrunde liegende Arbeit erledigt, braucht weiterhin einen Menschen, der deutet, was die Zahlen für diese Person bedeuten, und das Urteil überbringt. Beförderung, Vergütung, Disziplinarmaßnahmen und Kündigung sind das interne Gegenstück zu Freilassung vor dem Prozess und Kreditentscheidungen: folgenschwer, schwer umkehrbar und dort, wo die betroffene Person einen Entscheider will, den man befragen und verantwortlich machen kann. Human-in-the-Loop richtig umgesetzt heißt nicht, dass eine Führungskraft das Dashboard abstempelt; es heißt, dass sie die Entscheidung verantwortet und sie mit eigenen Worten erklären kann, nicht mit denen des Modells.

Der Fehlermodus im Unternehmen sieht aus wie Human-Washing nach außen: eine Führungskraft, die sagt „das System hat dich dafür markiert" und die KI-Ausgabe als die eigentliche Entscheidung behandelt, statt als einen Input in eine Entscheidung, die sie weiterhin besitzt. Mitarbeitende merken den Unterschied zwischen einer Führungskraft, die über ihre Situation nachgedacht hat, und einer, die einen Score weitergeleitet hat, und die Vertrauenskosten, beim Auslagern dieses Urteils ertappt zu werden, sind oft schlimmer als in der kundenseitigen Version, weil die Beziehung nirgendwo sonst hin kann.

Die Humanprämie in die Personalplanung einbauen

Nichts davon spricht dagegen, dass KI im Kundenservice oder im Management echte Arbeit leistet. Es spricht dafür, die Humanprämie dort einzusetzen, wo die Evidenz zeigt, dass sie sich auszahlt, und die Stunden, die sie freisetzt, anderswo zurückzugewinnen. Leiten Sie Routinevolumen ohne Entschuldigung an KI. Setzen Sie die geschulte, befugte Person bei der Beschwerde über Ihren eigenen Fehler ein, bei der Entscheidung, die jemandes Vertrag beendet, und beim kreativen Urteil, das Ihren Namen trägt. Messen Sie beide Seiten ehrlich: die eingesparten Kosten bei dem, was Sie automatisiert haben, und die vermiedene Abwanderung und den vermiedenen Reputationsschaden bei dem, was Sie geschützt haben.

Ein Unternehmen, das auf bestimmte Touchpoints zeigen und zu Recht sagen kann „hier kümmert sich ein Mensch darum, und das ist der Grund", hat etwas aufgebaut, was ein rein automatisierter Wettbewerber nicht über Nacht kopieren kann. So sieht die Humanprämie richtig umgesetzt aus: eine kurze, vertretbare Liste von Stellen, an denen es die klügere Entscheidung ist, eine Person zu behalten, gestützt durch einen Beleg, nach dem das Unternehmen auch handelt.