KI muss die richtigen Informationen auch selbst finden können
Vier bislang nicht erfasste Quellen erfüllen den Qualitätsfilter. Das stärkste neue Signal: KI-Leistung wird in Piloten überschätzt, wenn die Organisation die schwierige Suche nach relevanter Evidenz und die Absicherung ihrer Herkunft bereits vorab löst.
Vier bislang nicht erfasste Quellen erfüllen den Qualitätsfilter. Das stärkste neue Signal: KI-Leistung wird in Piloten überschätzt, wenn die Organisation die schwierige Suche nach relevanter Evidenz und die Absicherung ihrer Herkunft bereits vorab löst.
lifecycle-assurance-for-ai-data - neues Signal, mittlere Sicherheit der Einordnung
socio-technical-evaluation-object - verstärkt, hohe Sicherheit der Einordnung
task-output-vs-system-value - weiter verstärkt, hohe Sicherheit der Einordnung
organization-capital-and-learning-loops - bestätigt, hohe Sicherheit der Einordnung
Quellen
WorkWorlds: An Infrastructure for Evaluating AI Agents on Workplace Tasks
Yining Hua, Levi Lian · arXiv · 20.09.2026 · nicht begutachtet
Quellenbefund
Viele Arbeitsplatz-Benchmarks stellen einem Agenten nicht nur die Aufgabe, sondern zugleich die dafür kuratierte Information bereit. WorkWorlds friert dagegen zuerst Organisation, Zeitpunkt und Mitarbeiterrolle ein und stellt erst danach die Aufgabe.
In 192 kontrolliert verglichenen Evaluationen lag die geschätzte Wahrscheinlichkeit für ausreichenden Belegzugriff bei vorab ausgewählten Unterlagen bei 90,4 Prozent, bei allen zugänglichen Unterlagen bei 74,5 Prozent. Die Differenz beträgt 15,9 Prozentpunkte. Die Kriterienerfüllung lag bei 79,4 gegenüber 68,2 Prozent; die Differenz beträgt 11,2 Prozentpunkte. Die Leistung nach erfolgreichem Evidenzzugriff blieb nahezu unverändert. Der größte Unterschied entstand somit beim Finden der richtigen Information, nicht bei ihrer anschließenden Verarbeitung.
Methode und Aussagekraft
Kontrollierte Evaluation mit drei Agenten, acht Aufgaben und sechs Rollen in einer synthetischen pharmazeutischen Organisation. Die Organisation, Zugriffsrechte und Dokumentstände werden versioniert. Die Autoren veröffentlichen Audit-Artefakte.
Grenzen und mögliche Verzerrungen
Preprint, nicht wissenschaftlich begutachtet
Acht dokumentenintensive Aufgaben in einer primären synthetischen Organisation
192 Läufe sind Wiederholungen innerhalb dieses kleinen Aufgabenpanels
Suche, Ablenkung und Kontextmanagement bleiben im beobachteten Effekt gebündelt
Was Unternehmen tun können
Testen Sie den vollständigen Ablauf einschließlich Informationssuche und Quellenprüfung. Die KI sollte dabei dieselben Zugriffsrechte haben wie später im Betrieb.
Rethinking Data Quality for AI-Driven Systems: Evidence from Practitioner Interviews
Hariharan Gopinath, Jan Bosch, Helena Holmström Olsson · arXiv / PROFES 2026 · 25.09.2026 · nicht begutachtet
Quellenbefund
Die Studie zeigt, dass Datenqualität in KI-Systemen nicht mehr nur Eigenschaft eines Datensatzes ist. Daten beeinflussen Modellverhalten, Evaluation, rechtmäßige Nutzung und Agentenaktionen. Modellbasierte Qualitätsprüfung kann zirkulär werden, während Agentenkontext, Memory, synthetische Daten und Pseudo-Labels neue Datenobjekte erzeugen, die bestehender Governance entgehen.
Die Autoren verdichten die Befunde zu Lifecycle Assurance: Für jedes Datenartefakt muss Evidenz vorliegen, dass es die konkrete KI-bezogene Aussage oder Entscheidung tragen kann.
Methode und Aussagekraft
16 leitfadengestützte Interviews aus neun Organisationen in Automotive, Telekommunikation, Datenannotation, industrieller Automation, dezentraler KI und Foundation-Model-Entwicklung. Auswertung über reflexive thematische Analyse mit sechs Themen.
Grenzen und mögliche Verzerrungen
Kleine qualitative Stichprobe
Breite Branchenabdeckung, aber keine repräsentative Verteilung
Lifecycle Assurance ist eine konzeptionelle Synthese und noch nicht als Betriebsmodell validiert
Preprint, finale Fassung soll in PROFES 2026 erscheinen
Was Unternehmen tun können
Prüfen Sie nicht nur, ob Daten vollständig und richtig sind. Klären Sie auch Herkunft, Nutzungsrechte, Zuständigkeit und die Rückverfolgbarkeit einer KI-Entscheidung zu ihren Daten.
Zuerst lesen
Die sechs Practitioner Themes
Figure 2 zum Lifecycle-Assurance-Modell
Abschnitt 5.3 zu claim-spezifischer Evidenz und Verantwortlichkeit
Aaron Chatterji, David Holtz, Neel Rakholia, Prasanna Tambe u. a. · OpenAI / arXiv · 12.08.2026 · nicht begutachtet
Quellenbefund
Die Studie verbindet ChatGPT-Enterprise-Telemetrie mit Rollen, Aufgabenklassifikation und öffentlichen Unternehmensdaten. Die Nutzungsstichprobe nach sechs Monaten umfasst 1.764 Organisationen und 17,4 Millionen Nachrichten. Die Nutzung wuchs von Juni 2025 bis März 2026 ungefähr um den Faktor sieben; etwa die Hälfte des Wachstums entstand innerhalb bereits adoptierender Unternehmen.
KI-Nutzung konzentriert sich bei großen, R&D- und SG&A-intensiven Unternehmen. Innerhalb adoptierender Unternehmen verteilt sich Nutzung breit über Funktionen und Hierarchiestufen, variiert aber stark in der Intensität. Die Autoren betonen ausdrücklich, dass KI-Nutzung noch keine Produktivitätstransformation belegt.
Methode und Aussagekraft
Große, datenschutzwahrende Analyse de-identifizierter Produkttelemetrie. Rollen und Aufgaben werden automatisiert klassifiziert; öffentliche Unternehmensdaten werden über Compustat verknüpft.
Grenzen und mögliche Verzerrungen
Misst nur ChatGPT Enterprise, nicht andere Systeme, APIs oder persönliche Accounts
Rollenmetadaten sind unvollständig und enthalten keine vollständigen Belegschaftsnenner
Nachrichtenklassifikation misst weder Ergebnisqualität noch Produktivität oder Routinen
Mehrere Autoren arbeiten für OpenAI, zwei weitere waren bezahlte Auftragnehmer
Was Unternehmen tun können
Trennen Sie Zugang, regelmäßige Nutzung und Nutzen. Viele Nachrichten an eine KI zeigen Aktivität, aber noch keine bessere Qualität oder geringere Kosten.
Dan Tinkoff, Lieven Van der Veken, Michael Chui, Tara Balakrishnan · McKinsey / QuantumBlack · 25.08.2026 · nicht begutachtet
Quellenbefund
80 Prozent berichten persönliche Produktivitätsgewinne, aber nur 37 Prozent irgendeinen positiven EBIT-Beitrag ihrer Organisation - praktisch unverändert zum Vorjahr. Nur sechs Prozent gelten als KI High Performers. Bei diesen berichten fast drei Viertel ein grundlegendes Arbeitsablauf-Redesign, verglichen mit einem Viertel der übrigen Organisationen.
Die Agentenskalierung in Großunternehmen stieg von 27 auf 40 Prozent, blieb in kleineren Organisationen mit 22 Prozent jedoch nahezu unverändert. 20 Prozent berichten, dass KI-Betriebskosten die Nutzung bereits begrenzen.
Methode und Aussagekraft
Online-Befragung von 1.719 Teilnehmenden in 97 Ländern, erhoben vom 4. Mai bis 8. Juni 2026. Gewichtung nach nationalem Beitrag zum globalen BIP; 36 Prozent der Befragten arbeiten in Organisationen mit mehr als einer Milliarde US-Dollar Umsatz.
Grenzen und mögliche Verzerrungen
Selbstauskünfte zu Produktivität und EBIT-Beitrag
Befragte repräsentieren ihre Organisationen nicht zwingend vollständig
High-Performer-Muster zeigen Korrelation, keine Ursache-Wirkungs-Beziehung
McKinsey bietet selbst KI-Transformationsberatung an
Was Unternehmen tun können
Messen Sie persönliche Zeitersparnis und finanziellen Nutzen getrennt. Entscheiden Sie, welche Arbeit entfällt und wofür Beschäftigte die gesparte Zeit einsetzen sollen.
Zuerst lesen
Exhibits 5 bis 8 zum Productivity-to-Value-Gap und zu Kosten
Exhibits 10 bis 15 zu High Performers
Abschnitt zu erwarteten versus tatsächlich eingetretenen Personalreduktionen
