Mensch und KI sind nicht automatisch besser. Lernen macht den Unterschied.

Mensch-KI-Teams schneiden im Schnitt oft schlechter ab als der jeweils bessere Partner allein. Eine neue Reanalyse von 74 Studien durch das Max-Planck-Institut für Bildungsforschung zeigt, woran das liegen könnte: In fast allen Studien hatten die Menschen keine Gelegenheit zu lernen, ob die KI richtig lag. Wo sie Rückmeldung und Erklärungen bekamen, waren Mensch und KI gemeinsam tendenziell besser als jeder für sich.

Kurz gesagt: Ob Mensch und KI gemeinsam gewinnen, hängt nicht nur von der KI ab, sondern davon, ob der Arbeitsablauf den Menschen lernen lässt, wann er der KI trauen kann.

Wofür: Für Teamleads und Führungskräfte, die KI in wiederkehrende Abläufe einbauen und wissen wollen, warum die erhoffte Zusammenarbeit oft nicht trägt.

Was war bisher bekannt?

Eine viel beachtete Metaanalyse von Vaccaro, Almaatouq und Malone (2024) hatte Experimente aus 74 Veröffentlichungen ausgewertet. Das Ergebnis war ernüchternd: Im Durchschnitt erreichten Mensch-KI-Kombinationen nicht das Niveau des jeweils besseren Partners. Bei Entscheidungsaufgaben war die KI allein oft besser als das Tandem, bei kreativen Aufgaben, etwa beim Erstellen von Inhalten, zeigten sich dagegen eher Gewinne. Es kommt also auf die Art der Aufgabe an. Aus dem Durchschnitt ließ sich der Schluss ziehen, KI-Systeme sollten besser allein arbeiten.

Was zeigt die neue Reanalyse?

Ein Team um Julian Berger und Stefan Herzog hat dieselben 74 Veröffentlichungen erneut betrachtet, diesmal mit Blick auf die Frage, ob die Teilnehmenden lernen konnten (Berger u. a. 2026). Drei Befunde stechen heraus:

• Lernen war kaum vorgesehen. Nur 10 der 74 Studien gaben den Teilnehmenden überhaupt Rückmeldung, ob ihre Entscheidung richtig war. Keine Studie hat das gezielt variiert.
• Rückmeldung und Erklärung zusammen. Hatten Menschen beides, schnitten Mensch und KI tendenziell besser ab als der bessere Partner allein.
• Erklärungen ohne Rückmeldung. In Studien, in denen die KI ihre Empfehlungen erklärte, die Menschen aber nicht erfuhren, ob sie stimmten, waren die Ergebnisse im Mittel schlechter. Rückmeldung allein machte keinen klaren Unterschied.
• Vorläufige Zusammenhänge. Die Ergebnisse streuen stark zwischen den Studien. Fast alle Studien mit Rückmeldung untersuchten Entscheidungsaufgaben wie Klassifizieren oder Schätzen. Für andere Aufgaben ist die Lage offen.

Die Forschenden folgern, dass Erklärungen vor allem dann helfen, wenn Menschen über Rückmeldung lernen können, wie verlässlich die KI ist. Sie nennen auch die Grenzen: Die Studien wurden über unterschiedliche Versuchsanordnungen hinweg verglichen, kausale Aussagen erfordern neue Experimente. Und ob sich die Befunde auf generative KI übertragen lassen, ist offen. Chatbots können zwar persönliche Rückmeldung geben, aber diese kann selbst falsch sein und ist damit keine unabhängige Rückmeldung.

Was folgt daraus für die Arbeitsgestaltung?

Die Studie verschiebt die Frage. Statt „Ist die KI gut genug?“ lautet sie: Hat der Mensch im Ablauf eine Chance zu lernen, wann die KI richtig liegt und wann nicht? Im Arbeitsalltag ist das selten vorgesehen. Wer einen KI-Entwurf freigibt, erfährt meist nie, ob seine Einschätzung gestimmt hat. Genau dort lässt sich gestalten:

• Rückmeldung in den Ablauf einbauen. Fehler, die nach der Freigabe auffallen, gehen an die Person zurück, die geprüft hat, und in die Vorgaben der KI. So wird aus einer Korrektur ein Lernschritt für Mensch und System.
• Bekannte Fehler zum Üben nutzen. Ein Team kann bewusst fehlerhafte KI-Ergebnisse prüfen und sieht dann, wer welchen Fehler erkennt. Im Delegations-Workshop ist das ein fester Arbeitsschritt; daraus entstehen auch die Testfälle für die Umsetzung.
• Erklärungen nicht überschätzen. Dass eine KI ihren Vorschlag begründet, macht die Prüfung nicht automatisch besser. Eine Begründung ohne Rückmeldung kann ein falsches Ergebnis sogar überzeugender wirken lassen.
• Nach einigen Wochen gemeinsam auswerten. Wo lag die KI daneben, wo lag das Team daneben, was ändert sich an Zuordnung, Prüfpunkten und Stoppregeln? Wie ein solcher Ablauf aussieht, beschreibt die Seite Arbeitsgestaltung mit KI.

Das passt zum Doppelmandat: Die Arbeit soll produktiver werden, und die Menschen sollen urteilsfähig bleiben. Die neue Reanalyse legt nahe, dass beides zusammenhängt. Ein Team, das aus der Zusammenarbeit mit KI lernen kann, arbeitet vermutlich mitarbeiterorientierter und verbessert auch die Qualität der Ergebnisse.

Was die Studie nicht sagt

Sie beweist nicht, dass Rückmeldung die Zusammenarbeit verbessert, sondern zeigt einen Zusammenhang über Studien hinweg, den die Forschenden selbst als vorläufig einordnen. Sie stammt überwiegend aus Laborexperimenten mit klar richtigen oder falschen Antworten, etwa Bildklassifikation oder Preisvorhersage. Im Arbeitsalltag ist „richtig“ oft weniger eindeutig, und wie gut Mensch und KI zusammenarbeiten, hängt von der Art der Aufgabe ab. Die Richtung ist trotzdem ein guter Anlass, Lernen bei der Gestaltung von Abläufen bewusst einzuplanen.

Lernen im Ablauf gestalten

Was ein Mensch-KI-Team ausmacht und was Führung dabei entscheidet, beschreibt die Seite Mensch-KI-Teams führen. Wie sich Rückmeldung, Prüfpunkte und Kompetenzerhalt für eine konkrete Aufgabe festlegen lassen, klärt yumo im Delegations-Workshop mit dem Team, das die Arbeit heute macht.

Dr. Saskia Dörr ist Gründerin von yumo und Autorin des Buchs „Mensch-KI-Teams führen – Wie Teamleads die Arbeit mit KI produktiv und menschenzentriert gestalten“, das 2027 bei Springer Gabler erscheint.

Quellen

• Berger J, Herzog SM u. a. (2026): Fostering human learning is crucial for boosting human–AI synergy. Proceedings of the National Academy of Sciences 123(39), e2536100123. doi.org/10.1073/pnas.2536100123
• Max-Planck-Institut für Bildungsforschung (2026): Menschliches Lernen ist ein unterschätzter Faktor für erfolgreiche Mensch-KI-Teams. Pressemitteilung vom 15. Oktober 2026. idw-online.de/de/news879168
• Vaccaro M, Almaatouq A, Malone TW (2024): When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour 8. doi.org/10.1038/s41562-024-02024-1
• Dörr S (2027): Mensch-KI-Teams führen. Kapitel 1: Orientieren und Kapitel 5: Integrieren. Springer Gabler (in Vorbereitung).