Die 80/20-Regel der KI-Arbeit

Generative KI kann in erstaunlich kurzer Zeit große Teile einer Aufgabe sichtbar voranbringen. Ein Konzept steht, bevor das erste Meeting vorbei ist. Ein Prototyp funktioniert, obwohl gestern noch kein Code existierte. Eine Recherche liefert innerhalb von Minuten Material, für das früher Tage angesetzt worden wären. Genau an diesem Punkt entsteht jedoch eine der gefährlichsten Fehlinterpretationen moderner KI-Arbeit: Ein großer Anteil erzeugter Arbeit ist nicht dasselbe wie ein gleich großer Anteil fertiger Qualität.

Die oft verwendete 80/20-Formel ist deshalb nützlich, wenn man sie als Heuristik versteht. Sie beschreibt keine Naturkonstante und auch nicht das klassische Pareto-Prinzip. Sie erinnert daran, dass KI häufig einen großen, sichtbaren Teil eines Arbeitsprozesses schnell beschleunigen kann, während der verbleibende Teil überproportional viel Fachwissen, Integration, Prüfung und Entscheidung verlangt.

Das Problem beginnt dort, wo aus dieser Beobachtung eine falsche Reifegradrechnung wird: Wenn acht von zehn sichtbaren Arbeitspaketen erledigt aussehen, wirkt ein Projekt zu achtzig Prozent fertig. In der Praxis können jedoch genau die letzten Schritte darüber entscheiden, ob ein Ergebnis nur beeindruckend aussieht oder tatsächlich funktioniert, belastbar ist, zum Kontext passt und verantwortet werden kann.

Professionelles Delegieren an KI beginnt deshalb nicht mit der Frage, wie viel Arbeit das Modell übernehmen kann. Es beginnt mit der Frage, welche Art von Arbeit delegiert wird und welcher Rest danach übrig bleibt.

Warum die ersten achtzig Prozent so überzeugend wirken

KI ist besonders stark darin, schnell Struktur zu erzeugen. Sie formuliert Entwürfe, erzeugt Varianten, übersetzt Anforderungen in Arbeitspakete, erstellt erste Implementierungen und füllt leere Flächen mit plausiblen Vorschlägen. Für Menschen ist dieser Fortschritt unmittelbar sichtbar. Ein leeres Dokument wird zu zwanzig Seiten. Ein leerer Projektordner enthält plötzlich Code. Eine lose Idee wird zu einem sauber gegliederten Konzept.

Diese Sichtbarkeit erzeugt psychologisch leicht den Eindruck von Reife. Doch viele frühe Arbeitsschritte sind volumetrisch groß und qualitativ relativ billig. Sie erzeugen Masse, Struktur und Optionen. Die späten Arbeitsschritte sind oft kleiner, aber entscheidender: eine falsche Annahme finden, eine Schnittstelle unter realen Randbedingungen testen, einen Widerspruch zwischen zwei Anforderungen auflösen, eine Formulierung juristisch prüfen, einen Edge Case reproduzieren oder entscheiden, welche von fünf plausiblen Varianten tatsächlich zur Strategie passt.

Das Verhältnis zwischen Arbeitsmenge und Wert ist daher nicht linear.

Wer diese beiden Ebenen verwechselt, produziert eine Qualitätsillusion: Das Projekt sieht fortgeschritten aus, obwohl die teuersten Unsicherheiten noch offen sind.

Die letzten zwanzig Prozent sind keine Restarbeit

Die Formulierung „letzte zwanzig Prozent" klingt nach einem kleinen Nachlauf. In vielen KI-Projekten ist genau das Gegenteil der Fall. Der Rest besteht nicht aus kosmetischer Politur, sondern aus der Arbeit, die ein generisches Modell am schwersten zuverlässig erledigen kann: Kontextgrenzen erkennen, widersprüchliche Ziele priorisieren, unvollständige Informationen bewerten, reale Nutzerreaktionen einordnen, organisationsspezifische Bedingungen berücksichtigen und Verantwortung für eine Entscheidung übernehmen.

Diese Arbeit ist häufig schlecht standardisierbar. Sie hängt an Domänenwissen, Erfahrungswerten und impliziten Randbedingungen. Ein Modell kann eine plausible Antwort erzeugen, aber es weiß nicht automatisch, welche kleine Abweichung in einem bestimmten Unternehmen, Markt, technischen Stack oder Kundenverhältnis den Unterschied zwischen brauchbar und unbrauchbar ausmacht.

Deshalb ist der „Rest" oft die Stelle, an der Expertise wieder sichtbar wird.

Ein gutes Beispiel ist ein KI-generierter Projektplan. Die Maschine kann Struktur, Phasen, Risiken und Aufgaben sehr schnell vorschlagen. Die anspruchsvolle Arbeit beginnt, wenn geprüft werden muss, ob eine genannte Ressource tatsächlich verfügbar ist, ob zwei Abhängigkeiten miteinander kollidieren, ob ein Zeitfenster realistisch ist und ob die vorgeschlagene Reihenfolge zur Organisation passt. Formal ist der Plan fast vollständig. Operativ kann er noch weit von einsatzfähig entfernt sein.

Dasselbe gilt für Software. Ein Agent kann große Mengen Code erzeugen und einen funktionierenden Prototyp herstellen. Produktreife verlangt jedoch Tests, Integration, Sicherheitsbetrachtung, Beobachtbarkeit, Fehlertoleranz, Wartbarkeit und eine belastbare Definition dessen, was „fertig" bedeutet.

Die Forschung widerspricht einer universellen Prozentformel

Externe Studien zeigen sehr deutlich, warum 80/20 nicht als allgemeine Produktivitätszahl verstanden werden darf. In einem kontrollierten Experiment mit GitHub Copilot erledigten Teilnehmende eine klar umrissene Programmieraufgabe im Durchschnitt deutlich schneller mit KI-Unterstützung.^[1] In einer späteren randomisierten Feldstudie von METR mit erfahrenen Open-Source-Entwicklern, die an ihren eigenen komplexen Repositories arbeiteten, zeigte sich dagegen das Gegenteil: Die Nutzung damaliger KI-Werkzeuge erhöhte die Bearbeitungszeit im Mittel.^[2]

Diese Ergebnisse widersprechen sich nicht zwingend. Sie zeigen vielmehr, dass KI-Wirkung aufgaben-, personen- und kontextabhängig ist. Eine klar definierte, lokal begrenzte Aufgabe kann stark profitieren. Ein komplexer Bestand mit implizitem Kontext, hohen Qualitätsanforderungen und vielen Abhängigkeiten kann zusätzliche Koordinations- und Prüfkosten erzeugen.

Genau deshalb fordert auch das NIST AI Risk Management Framework, Leistung, Grenzen, Einsatzkontext, menschliche Aufsicht sowie Test-, Evaluierungs-, Verifikations- und Validierungsprozesse explizit zu definieren.^[3] Produktivität allein ist kein ausreichendes Qualitätsmaß.

Die belastbare Schlussfolgerung ist daher nicht „KI erledigt achtzig Prozent". Sie lautet: KI kann bestimmte Arbeitsanteile massiv komprimieren, aber der verbleibende Aufwand verschiebt sich häufig in Prüfung, Integration und Entscheidung.

Delegation muss nach Arbeitsart erfolgen

Eine reife KI-Strategie delegiert nicht pauschal Aufgaben, sondern zerlegt Arbeit nach Eigenschaften. Besonders gut delegierbar sind Tätigkeiten, bei denen Ziel, Format und Qualitätskriterien klar sind und Fehler leicht erkannt oder rückgängig gemacht werden können. Schwieriger wird es, wenn Erfolg mehrdeutig ist, Kontext implizit bleibt oder eine Fehlentscheidung hohe Folgekosten erzeugt.

Damit verschiebt sich die Debatte von „Wie viel Prozent kann die KI?" zu einer viel nützlicheren Frage: Wo ist maschinelle Geschwindigkeit wertvoll, und wo ist menschliche Urteilskraft der eigentliche Engpass?

Der Reifegrad muss anders gemessen werden

Wenn Teams KI einsetzen, sollten sie Fortschritt nicht ausschließlich über erledigte Tasks messen. Ein Ticket kann formal abgeschlossen sein, obwohl die Unsicherheit nur in die nächste Phase verschoben wurde. Ein Feature kann implementiert sein, ohne dass sein Nutzen validiert wurde. Eine Recherche kann abgeschlossen wirken, obwohl der entscheidende Gegenbeleg fehlt.

Deshalb ist ein zweites Fortschrittsmaß sinnvoll: Produktreife statt Produktionsfortschritt.

Produktionsfortschritt fragt: Was wurde erzeugt? Produktreife fragt: Was wurde verstanden, getestet, integriert und verantwortbar gemacht?

Dieser Unterschied verändert Projektsteuerung erheblich. Ein KI-Agent kann eine hohe Task-Completion-Rate erreichen und trotzdem ein Projekt produzieren, das fachlich noch fragil ist. Umgekehrt kann ein Projekt langsamer aussehen, weil kritische Annahmen getestet werden, obwohl genau diese Arbeit das Risiko massiv reduziert.

Eine mögliche Reifegradlogik betrachtet deshalb nicht Prozentwerte, sondern vier Zustände: erzeugt, geprüft, integriert und freigegeben. Erst wenn alle vier für einen kritischen Bestandteil erfüllt sind, sollte er als belastbar gelten.

Expertise beginnt dort, wo Plausibilität nicht reicht

Ein generatives Modell liefert häufig plausible Standardlösungen. Das ist enorm wertvoll. Viele Projekte scheitern nicht daran, dass Standardlösungen schlecht wären, sondern daran, dass Menschen sie zu langsam finden oder inkonsequent anwenden. KI kann diesen Teil drastisch beschleunigen.

Der Mensch wird dadurch jedoch nicht überflüssig. Seine Rolle verschiebt sich. Je stärker KI Standards beherrscht, desto wertvoller werden Fähigkeiten wie Kontextverständnis, Problemdefinition, Qualitätsurteil, Priorisierung und die Fähigkeit, eine scheinbar überzeugende Lösung zurückzuweisen.