Work Design: Mensch und Maschine verbinden
Die Teamleiterin liebt den neuen KI-Assistenten. Er fasst Mails zusammen, sortiert Tickets, schreibt Entwürfe. Und ganz neu: Das Tool schlägt nebenbei vor, wer im Team „unterperformt“. Die Teamleiterin merkt mit der Zeit: Nutzen ist da, aber auch Unruhe. Nicht wegen der Technik, sondern wegen der Arbeit, die sie neu ordnet.
Viele solcher Tools scheitern inzwischen nicht mehr an schlechter technischer Performance, sondern an Psychologie: Menschen reagieren sensibel auf verdeckte Kontrolle, auf unklare Verantwortlichkeit („Wer entscheidet hier eigentlich?“) und auf den Eindruck, dass ihre Leistung plötzlich anders erfasst wird. Das ist keine „Change-Müdigkeit“, sondern ein Hinweis auf schlecht gestaltete Arbeitssysteme. Die gab es schon immer, allerdings beschleunigt und vertieft KI nun die Effekte schlechter Gestaltung. Zeit, sich als HR näher damit zu befassen (Parker & Grote [2022] für eine soziotechnische Work-Design-Perspektive auf digitale Technologien sowie Fraccaroli et al. [2024] für einen Überblick zu zentralen Work-Design-Trends und Gestaltungsoptionen).
Neue Realität: Technologische und soziale Treiber
Drei Entwicklungen laufen aktuell parallel: Automatisierung wird alltagsfähig, d. h. KI übernimmt Routinen und erzeugt neue Aufgaben: Ausnahmen managen, Qualität sichern, Entscheidungen begründen. Wer glaubt, dass die Arbeit „verschwindet“, übersieht die neue Arbeit rund um KI. Zudem gilt: Algorithmisierung erweitert Steuerung. Schichtplanung, Zielzuweisung, Qualitätschecks, Priorisierung, Feedback – vieles wandert in KI-Systeme. Damit verschiebt sich Macht: von Personen zu Regeln, von Gesprächen zu Scores und von situativer Führung zu standardisierten Prozessen. Und drittens: Datifizierung macht Verhalten sichtbar. Klicks, Bearbeitungszeiten und Kommunikationsmuster. Elektronisches Monitoring ist damit kein Nischenthema mehr, sondern ein Gestaltungsproblem mit psychologischer Sprengkraft. Und es wirkt auch dann, wenn niemand aktiv „kontrolliert“ – allein die Möglichkeit verändert Verhalten.
Ein zusätzlicher sozialer Treiber wird dabei oft unterschätzt: Erwartungshaltungen verändern sich. Viele Beschäftigte sind digitale Systeme gewohnt, aber sie erwarten zugleich mehr Mitsprache, mehr Fairness und mehr Begründbarkeit. Wo Organisationen „KI einführen“ und dabei stillschweigend Kontrolle ausbauen, entsteht psychologische Reaktanz: oftmals nicht als offener Protest, sondern als Rückzug, Zynismus oder Dienst-nach-Vorschrift (Keegan & Meijerink [2025] zur Ausbreitung algorithmischer Steuerung in Organisationen; Noponen et al. [2024] zur Systematik von Autonomie- vs. Kontrollwirkungen algorithmischer Systeme sowie König [2025] zu psychologischen Effekten und Designfragen elektronischen Monitorings).
Forschungskompass zur Orientierung
Wenn man die großen, aktuellen Arbeiten zusammennimmt, ergibt sich ein zunehmend konsistentes Bild: KI verändert selten „nur“ einzelne Aufgaben. Sie verändert das Arbeitssystem als Ganzes – also Autonomie, Steuerung, Bewertungslogik, Feedback und Lernchancen. Genau deshalb hängt die Wirkung weniger am Tool als am Design im Kontext.
Ein guter Startpunkt ist die Frage, wie stark Leistung sichtbar gemacht und bewertet wird. Monitoring wirkt nicht automatisch leistungssteigernd oder -schädlich, es wirkt entlang von Wahrnehmungen: Wird es als Unterstützung und fairer Rahmen verstanden oder als Signal für Misstrauen? Diese Deutung prägt Akzeptanz, Stress und Verhalten im Alltag.
Daran schließt sich die nächste Ebene an: Wer steuert Arbeit und wie korrigierbar ist diese Steuerung? Algorithmische Systeme können Priorisierung erleichtern und Konsistenz schaffen. Sie können aber auch Taktung, Druck und Intransparenz verstärken. Entscheidend sind Mitgestaltung, Ausnahmebehandlung und echte Korrekturwege. Ohne Umsicht bei der Gestaltung wird aus Effizienz schnell Friktion.
Digitalisierung bringt also neue Anforderungen (Unterbrechungen, technischer Stress, Überwachungssorgen, Komplexität) und zugleich neue Ressourcen (Unterstützung, Lerngelegenheiten, Autonomie, Feedbackqualität). Ob die „helle“ oder „dunkle“ Seite überwiegt, ist eine Frage der Balance – und diese Balance ist gestaltbar. Gelingt dies, folgt ein Leitmotiv für KI-Einsatz: angemessenes Vertrauen. Zu wenig Vertrauen verhindert Nutzung. Zu viel Vertrauen führt zu Übervertrauen, Verantwortungsdiffusion und Blindstellen. In der Praxis heißt das: Verständliche Grenzen, klare Rollen, Training und Feedbackroutinen sind keine Kür, sondern Teil des Designs. Und wenn Vertrauen passt, kommt die nächste, sehr praktische Frage: Wann ist die Kopplung aus Mensch und Maschine wirklich besser? Häufig dann, wenn die Aufgabenverteilung tatsächlich komplementär ist und Schnittstellen sauber gestaltet sind. Sonst droht das Schlechteste beider Welten: zusätzlicher Koordinationsaufwand, gepaart mit Qualitätseinbußen.
Der integrative Rahmen dahinter: KI ist kein Add-on, sondern Teil eines sozio-technischen Systems, das Rollen, Verantwortlichkeit, Governance und Anpassung über Zeit braucht. Wer das akzeptiert, behandelt Work Design nicht als Nebenkapitel, sondern als Führungs- und HR-Instrument (Ravid et al. [2023] für Effekte von Electronic Performance Monitoring auf Leistung, Einstellungen und Belastung sowie Scholze & Hecker [2024] für eine Einordnung von digitalen Anforderungen und Ressourcen sowie Mehrotra et al. [2024] für Ansatzpunkte zur Förderung von Vertrauen in Mensch-KI-Interaktionen sowie Vaccaro et al. [2024] für Effekte von Mensch-KI-Kombinationen sowie Hillebrand et al. [2025] für ein integratives Rahmenmodell zu Management mit KI).
Sechs Leitprinzipien
Zunächst: Diese Prinzipien für gutes Work Design im KI-Kontext sind keine Solisten. Sie greifen ineinander, funktionieren im Orchester. Denn mehr Transparenz ohne Einspruchswege erzeugt Frust. Mehr Autonomie ohne klare Ziele erzeugt Überlastung. Und Beteiligung ohne echte Änderungsmacht wirkt wie „Beteiligungstheater“. Work Design heißt deshalb: bewusstes Bündeln – und das konsequente Design der Ausnahmefälle. Eine kurze Darstellung der sechs zentralen Prinzipien, jeweils mit einer für HR zentralen Frage.
Profitieren Sie vom Expertenwissen renommierter Fachanwält:innen, die Sie über aktuelle Entscheidungen des Arbeitsrechts informieren. Es werden Konsequenzen für die Praxis benannt und Handlungsempfehlungen ausgesprochen.
Autonomie
Klare Ziele, aber wählbare Wege. KI erhöht Autonomie, wenn sie Optionen erweitert; sie senkt Autonomie, wenn sie im Hintergrund Taktung und Bewertung fixiert – besonders in Kombination mit Monitoring.
HR-Frage: Welche Entscheidungen bleiben bewusst menschlich und wo darf KI nur vorschlagen?
Transparenz
Keine Formel, sondern Verständlichkeit: Welche Daten? Welche Logik? Empfehlung oder Entscheidung? Wo sind Grenzen?
HR-Frage: Was muss ein Betroffener in 60 Sekunden verstehen können?
Fairness
Wenn KI verteilt oder bewertet, ist prozedurale Fairness zentral: Konsistenz, Korrigierbarkeit und Stimmrecht. Ohne Einspruchswege wirkt Technik schnell wie „kalte Macht“.
HR-Frage: Wo ist der „Einspruchsknopf“ und wer entscheidet dann in welcher Frist?
Lernfähigkeit
KI verändert Arbeit dynamisch. Deshalb braucht Work Design feste Lernschleifen: Pilot, Shadow-Mode und Review. Nicht nur Output prüfen, sondern auch neue Belastungen und Ressourcen.
HR-Frage: Welche Nebenwirkungen werden genauso ernsthaft wie Produktivität erfasst?
Beteiligung
Qualitäts- und Akzeptanzmechanismus. Betroffene kennen Ausnahmen, Kontext und Mikroprozesse. Ohne Mitspreche entstehen Workarounds und stille Resistenz.
HR-Frage: Wer sitzt am Tisch, wenn Regeln verändert werden?
Sinn
Entsteht, wenn Technologie als Beitrag zu guter Arbeit erlebt wird und nicht als Signal für Misstrauen. Entlastung muss spürbar werden, sonst kippt die Motivation.
HR-Frage: Wo taucht die gewonnene Zeit im Alltag sichtbar auf?
(Mehrotra et al. [2024] für Gestaltungsansätze hinsichtlich Vertrauen und Transparenz sowie Scholze & Hecker [2024] für die Balance von Anforderungen und Ressourcen als Basis für Wohlbefinden und Leistung im Kontext Digitalisierung)
HR-Instrumente zur Gestaltung
Work Design bleibt abstrakt, solange es nicht in Routinen, Rollen und Entscheidungen übersetzt wird. Die folgenden Instrumente machen KI-Einsatz pragmatisch steuerbar: Sie klären Verantwortlichkeiten, schaffen Lernschleifen und verhindern, dass Nebenwirkungen erst nach dem Rollout sichtbar werden.
Work-Design-Audits
Ein kurzer Check vor dem Rollout sollte Pflicht sein: Arbeitsproblem, d. h. Was soll für wen besser werden? Betroffene Arbeit, also: Welche Tätigkeiten und Schnittstellen ändern sich wirklich? sowie Nebenwirkungen: Welche neuen Anforderungen und Ressourcen entstehen und wie werden sie balanciert? Und ein Zusatz bei Monitoring: Daten-Minimierung als Designprinzip. Nicht „alles, was geht“, sondern „nur, was begründbar ist“ – mit klarer Zweckbindung, Zugriffskreis und Verfallsdatum. Das senkt Stress und erhöht Legitimität
RACI
RACI (Responsible, Accountable, Consulted, Informed) wird zur Anti-Ausrede-Matrix. Wichtigste Regel: Accountable kann nicht die KI sein. Verantwortung für Entscheidung, Begründung und Folgen bleibt bei Rollen. Ein Beispiel: Responsible Recruiter; Accountable HR-Leitung; Consulted Fachbereich/Datenschutz/Betriebsrat; Informed Betroffene inkl. Einspruchsweg; KI gibt Empfehlung mit klarer Kennzeichnung. Und zu guter Letzt: Bei jeder KI-Funktion fragen „Was tun wir, wenn die KI falsch liegt?“.
Feedback- und Reflexionsroutinen
Drei Routinen wirken sofort: Piloteinsatz mit Erst-Usern, Pulse-Checks („unterstützt mich das Tool oder kontrolliert es mich?“) sowie ein Review-Board für Regeln, Schwellen und Eskalation. So bleibt ein sozio-technisches System steuerbar. Und: Diese Routinen bauen Vertrauen auf, weil Mitarbeitende sehen, dass Anpassung vorgesehen ist.
Work Design ist dabei nicht nur ein Gestaltungsauftrag an HR und Management. Betroffene in der Belegschaft sind ebenfalls gefragt. Job Crafting ist hier der pragmatische Hebel: Mitarbeiter passen Aufgaben, Beziehungen und Denkweisen aktiv selbst an. Allerdings: Damit Job Crafting nicht in individuelle Mehrbelastung kippt, braucht es Leitplanken, Training und psychologische Sicherheit: kritisches Hinterfragen ist erwünscht, nicht „technologiefeindlich“ (Hillebrand et al. [2025] für Rollenklärung in KI-gestützten Arbeitssystemen sowie Mehrotra et al. [2024] für Trainings- und Feedbackroutinen zur Vertrauenskalibrierung sowie Ravid et al. [2023] für empirische Anhaltspunkte, wann Monitoring eher hilft oder schadet).
Fazit: Work Design als Basis
KI wirkt über Rollen, Regeln und Spielräume. Work Design übersetzt HR-Strategie in diese Details und macht damit den Unterschied zwischen Entlastung und Überforderung, Vertrauen und Zynismus sowie zwischen „Mensch-KI“ als Gewinn versus Friktion. Wer das beherzigt und Work Design mit passender Personalentwicklung koppelt, kann KI als Ressource nutzen. Für weniger Reibung, mehr Qualität und eine Arbeit, die Menschen gern tun – und die ihnen guttut.
Fraccaroli, F., Zaniboni, S., & Truxillo, D. M. (2024). Challenges in the new economy: A new era for work design. Annual Review of Organizational Psychology and Organizational Behavior, 11, 307–335.
Hillebrand, L., Raisch, S., & Schad, J. (2025). Managing with artificial intelligence: An integrative framework. Academy of Management Annals, 19(1), 343–375.
Keegan, A., & Meijerink, J. (2025). Algorithmic management in organizations? From edge case to center stage. Annual Review of Organizational Psychology and Organizational Behavior, 12, 395–422.
König, C. J. (2025). Electronic monitoring at work. Annual Review of Organizational Psychology and Organizational Behavior, 12, 321–342.
Mehrotra, S., Degachi, C., Vereschak, O., Jonker, C. M., & Tielman, M. L. (2024). A systematic review on fostering appropriate trust in human-AI interaction: Trends, opportunities and challenges. ACM Journal on Responsible Computing, 1(4), 26.
Noponen, N., Feshchenko, P., Auvinen, T., Luoma-aho, V., & Abrahamsson, P. (2024). Taylorism on steroids or enabling autonomy? A systematic review of algorithmic management. Management Review Quarterly, 74, 1695–1721.
Parker, S. K., & Grote, G. (2022). More than ‘more than ever’: Revisiting a work design and sociotechnical perspective on digital technologies. Applied Psychology, 71(4), 1215–1223.
Ravid, D. M., White, J. C., Tomczak, D. L., Miles, A. F., & Behrend, T. S. (2023). A meta-analysis of the effects of electronic performance monitoring on work outcomes. Personnel Psychology, 76(1), 5–40.
Scholze, A., & Hecker, A. (2024). The job demands-resources model as a theoretical lens for the bright and dark side of digitization. Computers in Human Behavior, 155, 108177.
Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
Mit dieser Checkliste stellen HR-Leitung und Top-Management sicher, dass ein KI-Use-Case Arbeit im Alltag spürbar verbessert, statt verdeckte Kontrolle oder Verantwortungsdiffusion zu erzeugen.
■Arbeitsproblem geklärt: Was soll für wen messbar besser werden (Tempo, Qualität, Fairness, Lernen)?
■Betroffene Arbeit kartiert: Welche Tätigkeiten, Schnittstellen, Ausnahmefälle ändern sich tatsächlich?
■Aufgabenverteilung festgelegt: Was bleibt menschliche Entscheidung, wo darf KI nur empfehlen – und wie wird das gekennzeichnet?
■Daten & Monitoring begrenzt: Welche Daten sind zwingend nötig (Zweckbindung), wer hat Zugriff, wie lange werden sie gespeichert (Verfallsdatum)?
■„60-Sekunden-Transparenz“ geprüft: Was müssen Betroffene in 60 Sekunden verstehen (Daten, Logik, Grenzen, Empfehlung vs. Entscheidung)?
■Fairness gesichert: Wo ist der Einspruchsweg („Einspruchsknopf“), wer entscheidet in welcher Frist, wie werden Fehler korrigiert?
■Beteiligung organisiert: Wer sitzt am Tisch, wenn Regeln geändert werden – und wie fließt Praxiswissen zu Ausnahmen ein?
■Rollen per RACI geklärt: Responsible/Accountable/Consulted/Informed – und: Accountable kann nie die KI sein.
■„Wenn die KI falsch liegt …“ prozessiert: Was ist der sichere Fallback, wer stoppt/eskaliert, wie wird dokumentiert?
■Vertrauen kalibriert: Training zu Grenzen/Fehlertypen, Qualitätschecks, klare Beispiele für „gute“ Nutzung (kein Orakel!).
■Pilot geplant: Parallelbetrieb ohne Konsequenzen; erst danach Schwellen, Regeln und KPIs scharf stellen.
■Feedbackroutinen eingebaut: Pulse-Checks („unterstützt mich das Tool oder kontrolliert es mich?“) + Review-Board für Regeln/Schwellen.
■Nebenwirkungen erfasst: Stress/Technostress, Reaktanz, Zynismus, Workarounds, Autonomie- und Sinnverlust.
■Entlastung sichtbar gemacht: Wo taucht gewonnene Zeit im Alltag auf (für Puffer, Beratung, Lernen, Qualität)?
■Job-Crafting ermöglicht: Rollen im Team (Prompt-Pate, Qualitätsanker, Ethik-Scout) und Zeitfenster für Anpassung.
■Prompt- & Qualitätsbibliothek angelegt: 2 Seiten reichen (Top-Prompts, No-Gos, Qualitätskriterien, Kennzeichnung).
■Review nach 6 Wochen geplant: Nutzen vs. Nebenwirkungen bewerten – und entscheiden: ausbauen, nachschärfen oder stoppen.
