Geben Sie denselben KI-Assistenten an Ihre stärkste und Ihre schwächste Fachkraft, und Sie erhalten nicht zwei kleinere Versionen desselben Gewinns. Sie erhalten entgegengesetzte Vorzeichen. In einem fünfmonatigen randomisierten Feldexperiment mit 640 Kleinunternehmern stiegen Umsatz und Gewinn bei den ohnehin starken Teilnehmern, die einen GPT-4-gestützten Unternehmensberater erhielten, um rund 15 %, während die bereits kämpfenden Inhaber fast 10 % schlechter abschnitten als die Kontrollgruppe (MIT Sloan Management Review, 2026). Dasselbe Werkzeug. Dasselbe Zugangsfenster. Dieselbe Menge an Ratschlägen. Die KI-Leistungslücke wurde nicht kleiner — sie wurde größer, und ein Teil dieser Vergrößerung war schlichter Schaden.
Dieses Ergebnis sollte eine Reihenfolgeentscheidung verändern, die fast jeder Head of Operations gerade jetzt trifft: Wer bekommt den Copilot zuerst.
Warum die KI-Leistungslücke größer wurde statt sich zu schließen
Nicholas Otis, Rowan Clarke, Solène Delecourt, David Holtz und Rembrand Koning randomisierten den Zugang zu einem GPT-4-Assistenten, der als Unternehmensberater agieren sollte, unter 640 kenianischen Unternehmern mit Schnellrestaurants, Geflügelfarmen, Cybershops und ähnlichen Kleinbetrieben. Die Auslieferung war bewusst reibungsfrei: ein WhatsApp-Kontakt auf der Plattform, die rund 90 % der Kenianer ohnehin nutzen, über fünf Monate verfolgt (Berkeley Haas, 2026). Die Studie erschien als The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance (Management Science, 2026).
Das Design zählt mehr als der Schauplatz. Der Zugang war randomisiert, die Spaltung erzählt also nicht davon, wer sich selbst gemeldet hat. Das Werkzeug war in beiden Armen identisch. Das Nutzungsvolumen erklärt die Divergenz nicht. Was die beiden Gruppen trennte, war, was sie dem Assistenten vorlegten und was sie mit dem Rücklauf anfingen.
Lesen Sie das als Betriebsbedingung, nicht als Kuriosität aus Nairobi. Die getestete Variable — hilft eine generalistische Beratungs-KI jemandem, dessen Urteilsvermögen bereits wackelt? — ist genau die Variable, die im Spiel ist, wenn Sie dem unteren Quartil einer 200-köpfigen Operations-Einheit einen Copilot geben und das Enablement nennen.
Der Beleg, dass „KI die Kompetenzlücke schließt", ist echt — und enger, als Sie denken
Die Nivellierungs-Erzählung ist kein Mythos. Sie ist ein Befund über eine bestimmte Klasse von Arbeit.
Brynjolfsson, Li und Raymond untersuchten 5.179 Kundenservice-Mitarbeitende während des gestaffelten Rollouts eines generativen KI-Assistenten. Die Produktivität stieg im Schnitt um 14 %, mit einer Verbesserung von 34 % bei Berufseinsteigern und gering qualifizierten Kräften und minimaler Wirkung bei den Erfahrensten (Quarterly Journal of Economics, 2025). Der Mechanismus: Das Modell verbreitete die Praktiken der stärksten Mitarbeitenden und ließ neue die Erfahrungskurve schneller hinabgleiten.
Sehen Sie sich an, was diese Aufgabe tatsächlich ist. Klar begrenzter Umfang. Eine gute Antwort, die irgendwo im Unternehmen bereits existiert. Sofortiges Feedback vom Kunden. Qualitätsprüfung durch Vorgesetzte binnen Stunden. Unter diesen Bedingungen komprimiert eine KI, die stillschweigende Best Practice kodiert, die Verteilung — die Schwächsten gewinnen am meisten, weil der Abstand zwischen ihrem Verhalten und dem kodierten Standard am größten ist.
Ändern Sie nun eine Variable: Entfernen Sie die bekannte gute Antwort. Stellen Sie dem Modell eine offene Frage zu Preisen, Einstellungen oder dazu, wofür die nächsten tausend Euro ausgegeben werden sollen. Es gibt kein geprüftes Ziel, auf das es konvergieren könnte, keinen Vorgesetzten, der den Kreis schließt, und kein unmittelbares Signal, dass der Rat falsch war. Kompression ist nicht mehr der Standard. Verstärkung übernimmt.
Das Nivellierungsergebnis ist eine Eigenschaft überprüfbarer Aufgaben, nicht der Technologie.
Der Moderator ist Urteilsvermögen, nicht Zugang oder Prompt-Können
Die Autoren der Kenia-Studie sind beim Mechanismus deutlich: Über das Vorzeichen des Effekts entschied, „ob ein Unternehmer das Urteilsvermögen hatte, guten KI-Rat von schlechtem zu unterscheiden". Die schwächeren Performer folgten generischen oder irreführenden Ratschlägen, weil ihnen der Filter fehlte, sie zurückzuweisen (MIT Sloan Management Review, 2026).
Das Verhaltensdetail darunter ist noch schärfer. Starke Performer brachten dem Assistenten bearbeitbare Probleme — strukturierte Fragen, bei denen sich die Ausgabe gegen etwas prüfen ließ, das sie bereits wussten. Kämpfende Inhaber brachten ihm die härtesten, mehrdeutigsten Probleme, die sie hatten: ein Wettbewerber, der die Preise unterbietet, eine Dürre, kein Betriebskapital. Das sind Fragen, die weder eine KI noch ein Berater von außerhalb des Betriebs gut beantworten kann (Berkeley Haas, 2026). Das Modell antwortete trotzdem. Das tut es immer. Generischer Rat — senken Sie die Preise, geben Sie mehr für Werbung aus — ist flüssig, plausibel und margenvernichtend, wenn er ohne situatives Urteil angewandt wird.
Die Kausalkette lautet also: schwächeres Urteilsvermögen → schwierigere und vagere Fragen → generischere Antworten → höhere Umsetzungsquote schlechter Ratschläge → messbarer Schaden.
Beachten Sie, was in dieser Kette nicht vorkommt. Nicht der Zugang. Nicht das Nutzungsvolumen. Nicht Prompt-Engineering-Können. Die Maßnahme, die die meisten Enablement-Programme einkaufen — mehr Lizenzen, mehr Prompt-Training — setzt an keinem der Schritte an, die den Verlust erzeugt haben.
Es ist dieselbe Form wie der Befund von Dell'Acqua und Kollegen mit 758 BCG-Beratern: Über 18 Aufgaben innerhalb der Leistungsgrenze der KI erledigten Berater mit KI 12,2 % mehr Aufgaben, 25,1 % schneller und in deutlich höherer Qualität; bei einer komplexen Managementaufgabe, die bewusst außerhalb dieser Grenze lag, war die Wahrscheinlichkeit, zu einer korrekten Lösung zu kommen, bei KI-gestützten Beratern um 19 % geringer als bei Beratern ganz ohne KI (Harvard Business School, 2023). Zwei Studien, verschiedene Populationen, dieselbe Struktur: Der Schaden entsteht, wenn selbstsichere Ausgabe auf einen Nutzer trifft, der sie nicht bewerten kann.
Warum der Nachhilfe-Reflex verkehrt herum ist
Hier ist die Entscheidung, die das neu rahmt.
Der intuitive Zug — der in den meisten Enablement-Plänen auftaucht — ist, KI-Werkzeuge zuerst denen zu geben, die Schwierigkeiten haben. Das wirkt fair, das wirkt effizient, und es leiht sich Glaubwürdigkeit vom Callcenter-Ergebnis. Den Boden anheben, die Lücke schließen, den Durchschnitt einsammeln.
Bei offener Beratungsarbeit ist diese Reihenfolge invertiert. Sie übergeben eine ungefilterte Ratschlagsmaschine genau der Gruppe, die am schlechtesten ausgestattet ist, sie zu filtern — und die Felddaten sagen, der Erwartungswert ist negativ, nicht bloß klein.
Die Kosten fallen zweimal an. Erstens im direkten Schaden: Entscheidungen, die schlechter sind, als sie ohne Assistenz gewesen wären. Zweitens in der Zuschreibung. Wenn der Pilot ein flaches oder negatives Aggregat ausweist, lautet die gezogene Schlussfolgerung meist „das Werkzeug funktioniert bei uns nicht" — und das Programm stirbt. Das Werkzeug funktionierte einwandfrei für die Kohorte, die es nutzen konnte. Gescheitert ist das Rollout-Design, und niemand hat auf der Ebene gemessen, die das gezeigt hätte.
Durchschnitte verbergen Vorzeichenwechsel. Wenn Ihr Pilot eine einzige gemischte Zahl meldet, kann er Ihnen nicht sagen, ob Sie irgendjemandem geholfen haben.
Was Sie in diesem Quartal an Ihrem Rollout ändern sollten
Offene KI-Beratung nur für nachgewiesenes Fachurteil freigeben
Offene Beratungsnutzung — Strategiefragen, Preisentscheidungen, Priorisierung, alles, wo sich die Antwort des Modells nicht gegen ein bekanntes Ziel prüfen lässt — sollte auf Menschen begrenzt werden, die bereits das Fachurteil haben, eine schlechte Antwort zurückzuweisen. Das ist ein Kompetenz-Gate, kein Senioritäts-Gate: Der Mitarbeiter mit zehn Jahren, der nie eine GuV verantwortet hat, passiert es nicht automatisch; die Analystin mit zwei Jahren, deren Prognosen treffen, schon.
Dem kämpfenden Quartil enge, überprüfbare Arbeit hinter einem Review-Gate geben
Genau die Menschen, die offene Beratungsnutzung schädigt, gewinnen am meisten aus begrenzten Aufgaben mit prüfbaren Ergebnissen — den Bedingungen, die im Support-Experiment die 34 % Zuwachs bei Einsteigern erzeugten. Entwürfe nach Vorlage, Zusammenfassung eines bekannten Dokuments, Erstklassifizierung, strukturierte Datenextraktion. Fügen Sie ein menschliches Review-Gate hinzu, das die Befugnis hat, abzulehnen — nicht nur abzunicken. Das ist die Konfiguration, in der KI tatsächlich nivelliert.
Den Effekt nach Leistungsquartil messen, nicht im Aggregat
Instrumentieren Sie den Piloten so, dass die Ergebnismetrik bereits vor Rollout-Beginn nach vorherigem Leistungsquartil aufgeteilt wird. Wenn Sie nur den gemischten Durchschnitt betrachten, heben sich +15 % im oberen und −10 % im unteren Quartil zu einer Zahl nahe null auf — Sie schließen daraus, es sei nichts passiert, und haben den Schaden bezahlt, ohne ihn zu sehen.
Ändern Sie, worin Sie schulen
Prompt-Training bringt Menschen bei, flüssigere Ausgaben zu erzeugen. Es bringt ihnen nicht bei, flüssige Ausgaben zurückzuweisen, die falsch sind. Was die Evidenz verlangt, ist Bewertungstraining: Wie sieht eine gute Antwort in dieser Domäne aus, welches sind die bekannten Fehlermodi des Modells, und — am nützlichsten und am seltensten gelehrt — welche Fragen bringt man dem Modell und welche einem Menschen.
Der Einwand, der ernst genommen gehört
Der ehrliche Einwand: Kenianische Kleinstunternehmer sind kein Operations-Personal im Mittelstand, und ein WhatsApp-Ratgeber-Bot ist kein Unternehmens-Deployment mit Retrieval über eigene Dokumente, definierten Workflows und Audit-Trails. Beides stimmt. Die Effektstärke überträgt sich nicht.
Aber der Mechanismus hängt nicht am Schauplatz. Er hängt am Zusammentreffen von offenen Fragen, selbstsicherer Ausgabe und einem Bewerter, der nicht verifizieren kann. Jedes Unternehmens-Deployment, das einen generalistischen Assistenten vor Mitarbeitende stellt und sie einlädt, ihn alles zu fragen, reproduziert diese drei Bedingungen. Die Erdung des Modells in Ihren eigenen Daten verengt die Fehlerfläche; sie schließt sie nicht, und sie lässt falsche Antworten institutionell noch autoritativer klingen, wenn sie kommen.
Die vertretbare Position ist nicht „das wird uns in derselben Größenordnung passieren". Sie lautet „wir haben nicht gemessen, ob es uns überhaupt passiert" — was für die meisten mittelständischen Piloten, die eine einzige gemischte Produktivitätszahl melden, schlicht zutrifft.
Die Entscheidung auf Ihrem Schreibtisch
Die KI-Leistungslücke ist kein Fairnessproblem, das man später löst. Sie ist ein Designparameter, den Sie jetzt setzen, standardmäßig, jedes Mal, wenn Sie entscheiden, wer als Nächstes Zugang bekommt.
Bevor Ihre nächste Lizenztranche hinausgeht, teilen Sie das Deployment: offene Beratungsnutzung für Menschen, deren Urteil Sie auch ohne das Werkzeug in einem Raum vertrauen würden, enge überprüfbare Aufgaben hinter einem Review-Gate für alle anderen — und eine Kennzahl, berichtet nach Leistungsquartil, damit Sie herausfinden, bei welcher Hälfte Sie richtig lagen.
