Workslop: Wie KI-generierte Scheinarbeit Einsatz und Verantwortung aushöhlt

Von Victor Hoang · Aktualisiert am 26. August 2026

Workslop ist KI-generierte Arbeit, die fertig aussieht, es aber nicht ist: ein Bericht, ein Briefing oder ein Stück Code, poliert genug, um einen flüchtigen Blick zu bestehen, dem aber die Überlegungen fehlen, die man braucht, um es tatsächlich zu verwenden. Forschende von BetterUp Labs und dem Social Media Lab der Stanford University prägten den Begriff 2025, um etwas Einfaches und Teures zu benennen: Der Aufwand, den eine Aufgabe früher erforderte, verschwindet nicht, wenn KI sie schnell entwirft. Er verlagert sich nur nach unten, zu derjenigen Person, die herausfinden muss, was der Output eigentlich bedeutet.

Diese Verschiebung, von „der Aufwand fällt vor der Übergabe an“ zu „der Aufwand fällt nach der Übergabe an und landet bei jemand anderem“, ist das eigentliche Thema dieses Artikels. Workslop ist derzeit der eingängigste Name dafür. Das zugrunde liegende Problem, Arbeit, die erledigt aussieht, ohne dass jemand tatsächlich nachgedacht hat, wird das Wort überdauern.

Was Workslop tatsächlich ist

Die formale Definition aus der Studie von BetterUp Labs und dem Stanford Social Media Lab, veröffentlicht im September 2025 in der Harvard Business Review, lautet: Inhalt, der „als gute Arbeit auftritt, dem aber die Substanz fehlt, eine Aufgabe sinnvoll voranzubringen“. Die Forschenden befragten 1.150 Vollzeit-Büroangestellte in den USA und stellten fest, dass das Problem weder selten noch theoretisch ist. Rund 15 % von allem, was Beschäftigte bei der Arbeit erhalten, ist inzwischen KI-generiert, und ein beachtlicher Teil besteht diesen einfachen Test nicht: Bringt es die Aufgabe tatsächlich voran, oder sieht es nur so aus.

Der Mechanismus unterscheidet Workslop von gewöhnlich schlechter Arbeit. Ein schlampiger erster Entwurf einer müden Person enthält meist trotzdem echtes Denken, auch wenn die Ausführung holprig ist. Workslop kehrt das um. Er kommt gut formatiert, selbstsicher formuliert und strukturell vollständig an, alles Oberflächensignale, auf die man sich früher als Stellvertreter für „da hat jemand mitgedacht“ verlassen hat. Nimmt man die Politur weg, findet sich oft keine zugrunde liegende Überlegung. Der Output hat Schritte nicht übersprungen, weil jemand in Eile war. Er hat sie übersprungen, weil das Erzeugen flüssigen Textes die Schritte gar nicht erfordert.

Nicht dasselbe wie „KI hat dabei geholfen“

Hier ist Genauigkeit wichtig, denn der Begriff wird locker verwendet. KI-gestützte Arbeit, die wirklich geprüft, an einer echten Anforderung gemessen und von einer Person getragen wird, die jede Aussage darin vertreten kann, ist kein Workslop, egal wie viel vom ersten Entwurf ein Modell geliefert hat. Workslop beschreibt gezielt den Fall, in dem die Politur die Substanz ersetzt, statt sie zu beschleunigen: KI hat den schnellen Teil erledigt, und niemand hat den langsamen Teil erledigt, der früher dazugehörte. Das Werkzeug ist nicht das Problem. Das Problem ist, dass niemand die Verantwortung für den Output übernimmt.

Woher der Begriff stammt und warum er sich zu behalten lohnt

„Workslop“ ist eine anbieternahe Wortschöpfung, entstanden aus einer einzelnen Forschungskooperation und nicht aus Jahrzehnten Organisationstheorie. Betrachten Sie ihn als eine Deutung unter mehreren, nicht als gesicherte Kategorie. Dennoch lohnt er sich, weil er ein Muster präzise benennt: nicht „KI ist schlecht“, nicht „Menschen sind faul“, sondern ein konkreter Vorgang, bei dem Aufwand still vom Absender auf den Empfänger umgelegt wird, und niemand diesem Tausch zugestimmt hat.

Das Aufwandsgefälle im Kern des Problems

Jeder Workslop-Fall hat dieselbe schiefe Form. Den Output zu erzeugen kostete einen Prompt und ein paar Minuten. Herauszufinden, ob der Output verlässlich ist, und die Teile neu zu machen, die es nicht sind, dauert weit länger. Die Forschenden von BetterUp und Stanford haben das direkt gemessen: Empfänger brauchten im Schnitt eine Stunde und sechsundfünfzig Minuten, um jeden erhaltenen Workslop zu entwirren, Aussagen zu prüfen, Abschnitte umzuschreiben oder die Absenderin oder den Absender aufzuspüren, um zu fragen, was eigentlich gemeint war.

Diese Lücke summiert sich im großen Maßstab auf eine Weise, die Einzelfälle verbergen. Die Forschenden schätzten die Kosten von Workslop auf rund 186 \(pro betroffener Person und Monat an verlorener Produktivität, was in einem Unternehmen mit 10.000 Beschäftigten über 9 Mio.\) im Jahr entspricht. Nichts davon taucht irgendwo als eigene Zeile auf. Es zeigt sich als langsamere Zyklen, mehr Meetings, die unnötig hätten sein sollen, und als allgemeines Gefühl, dass das Prüfen fremder Arbeit schwerer geworden ist, ohne dass jemand sagen kann, warum.

Das tiefere Problem ist, dass dieses Gefälle eine Abmachung bricht, auf die sich Teams lange verlassen haben, ohne sie je aufzuschreiben: Wenn etwas fertig aussieht, ist es eine vernünftige Wette, es als fertig zu behandeln. KI-generierte Arbeit bricht diese Wette still, denn Politur und Substanz gingen früher zusammen und müssen es nun nicht mehr. Wer prüft und weiter das alte Vertrauen schenkt, wird verbrannt. Wer es nicht mehr schenkt, muss alles neu verifizieren, was eine eigene Steuer auf jede einzelne Interaktion ist, nicht nur auf jene, die sich als Workslop herausstellen.

Wie Workslop Verantwortung verwässert

Verantwortung war früher fast von selbst erkennbar. Die Person, deren Name auf dem Dokument stand, hatte notwendigerweise das Denken geleistet, aus dem es entstand. Ihre Arbeit zu lesen sagte etwas Verlässliches über ihr Urteilsvermögen, weil sich das Dokument nicht von der Überlegung trennen ließ, die es aufgebaut hatte.

Workslop trennt diese Verbindung. Ein Dokument kann nun selbstsicher und gut gegliedert wirken, ohne dass die genannte Autorin oder der Autor auch nur eine Aussage darin geprüft hätte, und eine Kollegin oder ein Kollege hat von außen keinen verlässlichen Weg, den Unterschied zu erkennen. Diese Unsicherheit erzeugt nicht nur Reibung, sie höhlt etwas Spezifischeres aus: die Möglichkeit, jemanden für eine Entscheidung zur Verantwortung zu ziehen, weil „Ich weiß nicht genau, was da drinsteht“ selbst von der absendenden Person zu einer plausiblen Antwort wird. Die Seite der Verantwortlichkeit behandeln wir direkt in Aufbau einer Kultur der Verantwortlichkeit und die Vertrauensmechanik der Zusammenarbeit mit KI-geprägtem Output in Vertrauen, wenn Ihr Teammitglied eine KI ist.

Die Verwässerung von Verantwortung hat einen leicht übersehenen Folgeeffekt: Sie bestraft die Menschen, die ehrlich gearbeitet haben. Eine Führungskraft, die eine verifizierte Analyse nicht von einem schnellen KI-Durchlauf unterscheiden kann, hat keine Möglichkeit, die zusätzliche Stunde zu belohnen, die jemand mit dem Prüfen der Zahlen verbracht hat. Mit der Zeit flacht das den Anreiz ab, überhaupt etwas zu prüfen, denn Prüfen wird unsichtbar und bleibt unbelohnt. Das ist einer der klarsten Wege, auf denen Workslop an das breitere Muster aus KI-Kulturschulden anknüpft: Ungesteuerte KI-Einführung erzeugt nicht nur schlechte Ergebnisse, sie schreibt leise um, wofür man als gute Arbeit anerkannt wird.

Die Vertrauenskosten summieren sich schnell

Die teuerste Wirkung von Workslop ist nicht die Nacharbeitszeit. Es ist, was danach damit geschieht, wie Kolleginnen und Kollegen einander lesen. Die Daten von BetterUp und Stanford dazu sind konkret und unangenehm: 42 % der Empfänger sagten, sie hielten den Absender nach dem Erhalt von Workslop für weniger vertrauenswürdig, und 32 % sagten, sie würden nicht mehr gern mit dieser Person zusammenarbeiten. Etwa die Hälfte bewertete den Absender als weniger kreativ, fähig oder verlässlich als zuvor, und 53 % sagten, das Erlebnis habe sie schlicht verärgert.

Nichts von diesem Schaden bleibt auf das eine Dokument beschränkt. Hat sich jemand einmal an Workslop verbrannt, liest sie oder er alles von dieser Person mit mehr Misstrauen, auch Arbeit, die wirklich sorgfältig war. Diese Skepsis-Steuer ist gerade deshalb teuer, weil sie unterschiedslos wirkt: Sie bremst gute Arbeit zusammen mit der schlechten, weil der Empfänger keinen schnellen Weg mehr hat, das eine vom anderen zu trennen. Teams, die so weit kommen, können nicht mehr allein auf Vertrauen hin schnell vorankommen, und genau das hatte sie überhaupt schnell gemacht. Es ist dieselbe Erosion, die wir aus der Perspektive von Mensch-Agent-Teams in Kultur von Mensch-Agent-Teams behandeln, wo eine unklare Arbeitsteilung zwischen Menschen und KI strukturell dieselbe Glaubwürdigkeitslücke erzeugt.

Wichtige Fakten

• 40 % der Vollzeit-Büroangestellten in den USA haben im vergangenen Monat von einer Kollegin oder einem Kollegen KI-generierten „Workslop“ erhalten, und rund 15 % von allem, was Beschäftigte bei der Arbeit erhalten, ist inzwischen KI-generiert. Quelle: Harvard Business Review, September 2025
• Jeder Workslop-Fall kostete die Empfänger im Schnitt 1 Stunde 56 Minuten bis zur Klärung, geschätzt 186 \(pro betroffener Person und Monat oder mehr als 9 Mio.\) im Jahr an verlorener Produktivität in einem Unternehmen mit 10.000 Beschäftigten. Quelle: Harvard Business Review, September 2025
• 42 % der Empfänger hielten den Absender nach dem Erhalt von Workslop für weniger vertrauenswürdig, 32 % sagten, sie würden nicht mehr gern mit dieser Person zusammenarbeiten, und 53 % berichteten, verärgert gewesen zu sein. Quelle: Harvard Business Review, September 2025
• Workslop ist weitgehend ein Managementproblem, kein individuelles: Die Forschung führt es auf unklare KI-Vorgaben und überlastete Teams zurück, denen gesagt wird, sie sollten „mehr KI nutzen“, ohne Maßstab dafür, wie guter Output aussieht. Quelle: Harvard Business Review, January 2026
• Eine Studie von KPMG und der University of Melbourne mit mehr als 48.000 Befragten ergab, dass 57 % der Beschäftigten zugeben, ihre KI-Nutzung bei der Arbeit zu verbergen; in einer separaten HBR-Umfrage unter 604 täglichen KI-Nutzern sagte fast jeder Dritte, er habe KI-bezogene Methoden vor Kolleginnen und Kollegen absichtlich zurückgehalten. Quelle: Harvard Business Review, June 2026
• Beschäftigte im untersten Quartil des organisationalen Vertrauens verbargen ihre KI-Nutzung fast viermal so häufig wie jene im obersten Quartil (47 % gegenüber 14 %), was bedeutet, dass Offenlegung dem Vertrauen folgt, nicht der Vorschrift. Quelle: Harvard Business Review, June 2026

Warum Workslop immer wieder entsteht

Vage Vorgaben, überlastete Teams

Folgeforschung von Jeffrey Hancock aus Stanford, veröffentlicht im Januar 2026 in der HBR, führte Workslop auf etwas Gewöhnliches und Behebbares zurück: Führungskräfte geben breite Direktiven aus, „mehr KI zu nutzen“, ohne je zu definieren, wie ein akzeptabler KI-gestützter Output tatsächlich aussieht. Kommt dazu, dass Teams ohnehin knapp besetzt sind, kippt der Anreiz stark dahin, etwas schnell statt etwas Verifiziertes zu liefern. Niemand wollte Workslop erzeugen. Die Bedingungen, die ihn hervorbringen, unklare Maßstäbe plus echter Zeitdruck, sind trotzdem bestens darin, ihn zu erzeugen.

Deshalb geht es meist am Kern vorbei, einzelne Beschäftigte für Workslop verantwortlich zu machen. Eine Person unter Termindruck, ohne klares Signal, was „gut genug“ heißt, wird vernünftigerweise auf das zurückgreifen, was etwas aus der Tür bringt. Die Lösung muss vor dieser Entscheidung ansetzen, nicht danach.

Die Offenlegungsfalle

Eine zweite HBR-Studie, veröffentlicht im Juni 2026, ergab, dass Beschäftigte häufig verbergen, wie stark KI ihre Arbeit geprägt hat, und zwar nicht aus Unehrlichkeit. Eine Umfrage von KPMG und der University of Melbourne mit mehr als 48.000 Befragten ergab, dass 57 % zugeben, ihre KI-Nutzung bei der Arbeit zu verschleiern. Die eigene Umfrage der HBR unter 604 täglichen KI-Nutzern zeigte, dass fast jeder Dritte KI-bezogene Methoden vor Kolleginnen und Kollegen absichtlich zurückgehalten hatte, und das Muster folgte dem organisationalen Vertrauen fast genau: Beschäftigte im untersten Vertrauensquartil verbargen ihre KI-Nutzung mit mehr als dreifacher Häufigkeit gegenüber jenen im obersten Quartil.

Das ist für Workslop unmittelbar relevant, denn Offenlegung ist der schnellste Weg zu kalibrieren, wie viel Prüfung ein Arbeitsergebnis braucht. Verbergen Menschen die KI-Beteiligung aus Angst, weniger fähig zu wirken oder mehr Arbeit aufgebürdet zu bekommen, verlieren Prüfende das eine Signal, das ihnen gesagt hätte, genauer hinzusehen. Schweigen über die KI-Nutzung verhindert Workslop nicht. Es garantiert nur, dass er auf die teure Weise entdeckt wird, nachdem er schon jemanden zwei Stunden gekostet hat. Wie gesunde Offenlegung in der Praxis aussieht, vertiefen wir in KI-Etikette und Normen am Arbeitsplatz.

Die Kulturnormen, die Workslop tatsächlich verhindern

Workslop lässt sich weder durch ein Verbot von KI-Tools lösen noch dadurch, jedes KI-gestützte Dokument standardmäßig zu vertrauen. Er wird so gelöst wie die meisten Probleme rund um Einsatz und Verantwortung: indem der Maßstab ausdrücklich gemacht statt vorausgesetzt wird.

Nichts davon verlangt, die KI-Einführung zu bremsen. Es verlangt, „wie sieht gut hier aus“ als Frage zu behandeln, die sich zu beantworten lohnt, bevor das Tool ausgerollt wird, nicht nach der ersten schlechten Erfahrung. Ein kurzer schriftlicher Maßstab für einen wiederkehrenden Aufgabentyp, geprüft und angepasst, wenn sich die Arbeit ändert, verhindert Workslop besser als jede Richtlinie, die bestimmte Tools verbietet. Diese Art ausdrücklicher Maßstabssetzung in den Arbeitsrhythmus eines Teams einzubauen, ist der Kern von Aufbau einer KI-bereiten Kultur: Es geht weniger um die KI und mehr darum, endlich Erwartungen aufzuschreiben, die man früher getrost unausgesprochen lassen konnte.

Software hat hier eine enge, nützliche Rolle. Ein Workflow-Schritt, der fragt „was war hier KI-gestützt“, bevor ein Dokument in die Prüfung geht, oder eine Freigabestufe, die die Verantwortung für die endgültige Aussage ausdrücklich macht, ist die Art unglamouröser Verlässlichkeit, für die Reworks Work Ops Tools gebaut sind. Sie bestimmen nicht, wie der Maßstab aussehen soll. Sie sorgen nur dafür, dass der Maßstab, sobald ein Team sich auf einen geeinigt hat, tatsächlich jedes Mal angewendet wird und nicht nur dann, wenn jemand daran denkt.

Ein glaubwürdiges Argument für Skepsis

Es lohnt sich, die Rahmung ein wenig zu hinterfragen, bevor man sie als gesichert behandelt. „Workslop“ ist ein eingängiger Begriff aus einer einzelnen Forschungskooperation, keine peer-reviewte Kategorie mit jahrzehntelanger Replikation, und es besteht ein echtes Risiko, ihn zu nutzen, um KI-Nutzung generell zu pathologisieren statt die konkrete Fehlform, die er beschreibt. Viel KI-gestützte Arbeit ist schnell, verifiziert und wirklich gut, und jedes KI-entworfene Dokument automatisch mit Argwohn zu behandeln führt die Skepsis-Steuer in anderer Form wieder ein, diesmal wahllos statt auf das eigentliche Problem gerichtet.

Die nützlichere Lesart der Forschung, einschließlich Hancocks Folgestudie vom Januar 2026, ist, dass Workslop ein Managementversagen mit einer Managementlösung ist: unklare Maßstäbe plus Zeitdruck, nichts der Technologie Innewohnendes. Organisationen, die reagieren, indem sie Erwartungen aufschreiben und die Prüfung kalibrieren, sehen das Problem meist schrumpfen. Organisationen, die reagieren, indem sie Tools verbieten oder einzelne Beschäftigte beschämen, drängen dasselbe Verhalten meist nur in den Untergrund, was nach der Offenlegungsforschung bereits in beachtlichem Maß geschieht. Die dauerhafte Lehre lautet nicht „KI erzeugt schlechte Arbeit“. Sie lautet: Jedes Werkzeug, das billig genug ist, in Sekunden einen überzeugenden Entwurf zu erzeugen, braucht einen ebenso bewussten Maßstab für das, was nach dem Entwurf geschieht, sonst taucht der eingesparte Aufwand am anderen Ende wieder auf, größer.

Wo das einzuordnen ist

Workslop ist ein sichtbares Symptom eines breiteren Wandels, der bereits umgestaltet, wie Organisationen über Einsatz, Anerkennung und Vertrauen denken, sobald KI im Arbeitsalltag sitzt. Er hängt direkt mit KI-Kulturschulden zusammen, den sich aufsummierenden Kosten einer KI-Einführung ohne Steuerung ihrer menschlichen Nebenwirkungen, und mit dem größeren Umbau, den Microsoft als Frontier Firm und den Aufstieg des Agent Boss beschrieben hat, wo hybride Mensch-KI-Teams Fragen der Verantwortung noch zentraler machen. Die verwandte Fehlform minderwertiger KI-Inhalte, die sich breiter verbreiten, behandeln wir in was KI-Slop ist und warum er sich verbreitet.

Nichts davon wird mit einer einzigen Richtlinie behoben. Es wird so behoben, wie was ist Geschäftskultur beschreibt, dass Kultur allgemein entsteht: durch die Normen, die ein Team im Alltag tatsächlich durchsetzt, nicht durch die auf einer Folie. Workslop präzise zu benennen und die kleinen Gewohnheiten aufzubauen, Offenlegung, skalierte Prüfung, Anerkennung für Verifikation, die verhindern, dass er Wurzeln schlägt, ist ein konkreter erster Schritt dahin, wie eine KI-native Kultur in der Praxis aussieht statt nur in der Theorie.

Workslop lässt sich leicht als clevere Bezeichnung für etwas abtun, das es schon immer gab: Jemand gibt schwache Arbeit ab, und jemand anderes muss aufräumen. Neu sind heute das Tempo und die Tarnung. Ein schwacher menschlicher Entwurf brauchte früher Zeit, was begrenzte, wie viel davon eine einzelne Person erzeugen konnte. KI hebt diese Grenze auf, sodass dieselbe Abkürzung, die früher eine Person einen Nachmittag kostete, nun ein ganzes Team Stunden pro Woche kosten kann, gut genug verkleidet, dass es niemand merkt, bis sich das Muster wiederholt. Dem zuvorzukommen hat wenig damit zu tun, KI weniger zu nutzen. Es läuft darauf hinaus, dass ein Team bewusst festlegt, was „wirklich fertig“ weiterhin heißt, und sich dann gegenseitig daran hält.