47 Überarbeitungen für einen datenlastigen Text, 3 für einen Essay über die Lebensdauer von Agenten – und trotzdem liegt die Zahl der Feinarbeit am einzelnen Satz in beiden Fällen bei rund 140. Wer diese Zahlen aus einem Selbstexperiment mit KI-Schreibwerkzeugen liest, erkennt schnell: Das Versprechen „weniger Arbeit“ wird zwar technisch eingelöst, aber die menschliche Anstrengung verschwindet nicht. Sie wandert.
Die Daten stammen aus einem Workflow, den der Autor über drei Jahre hinweg verfeinert hat. Das System arbeitet nach dem Prinzip einer geschlossenen Schleife: Vor dem Entwurf zieht der Agent Hintergrundrecherche und einen lokalen Gedächtnisspeicher mit erlernten Hausregeln heran, produziert in Sekunden einen Text und protokolliert jede menschliche Kritik in permanenten Dateien für den nächsten Durchlauf. Am Ende steht kein Einmal-Generator mehr, sondern ein System, das mit jedem Durchgang den eigenen Geschmack schärft.
Die überraschende Konstante der Feinarbeit
Auf den ersten Blick sieht der Vergleich nach einem klaren Produktivitätssprung aus. Ein datenlastiger Beitrag brauchte vor einer Woche noch 47 Entwurfsrunden, ein aktueller Essay über Agenten-Lebensspannen kam mit 3 aus. Wer an dieser Stelle aufhört zu rechnen, sieht das klassische Versprechen bestätigt: Die Maschine übernimmt, der Mensch tritt zurück.
Die Feinanalyse zeigt jedoch etwas anderes. Die Zahl der Zeilen- und Satzkorrekturen pro Beitrag bewegt sich konstant um einen Mittelwert von etwa 140, mit einem Median von 136. Statistisch ist kein signifikanter Rückgang erkennbar, obwohl die Zahl der Entwurfsrunden drastisch sinkt. Das heißt: Wenn der Agent besser wird, verschwindet die menschliche Bearbeitung nicht. Sie konzentriert sich auf das, was am Ende wirklich zählt – das einzelne Wort, die Satzspannung, die treffende Antithese.
Die Aufmerksamkeit verschiebt sich also, statt zu schrumpfen. Wer viel Zeit mit generischen KI-Ausgaben verbringt, kennt diesen Effekt: Man verwirft die ersten drei Vorschläge komplett, korrigiert dann aber den vierten Vorschlag zwanzigmal, bis er wirklich sitzt. KI ersetzt das grobe Gerüst – und genau dadurch wird der Anspruch an das Finish höher, nicht niedriger.
Vom strukturellen Mechaniker zum Scharfschützen
In der Frühphase eines KI-Deployments fließt fast die gesamte menschliche Energie in strukturelle Erste Hilfe. Der Agent liefert lange Literaturübersichten im akademischen Stil, die niemand braucht. Die These landet im dritten Absatz statt am Anfang, das narrative Rückgrat bricht unter der eigenen Last. Solche Makel schlucken Aufmerksamkeit, bis der Text überhaupt erst lesbar wird.
Sobald das lokale Geschmacksgedächtnis stabilisiert ist, fällt dieser Sog an Strukturaufgaben weg. Der Agent platziert die These im ersten oder zweiten Anlauf, der Argumentationsbogen steht. Was bleibt, ist Handwerk: Adverbien streichen, Satzlängen variieren, überflüssige Nebensätze amputieren, Antithesen schärfen. Das Verhältnis von Feinkorrekturen pro Entwurfsrunde steigt im beschriebenen Workflow von 4,4 auf 43,3 – ein Faktor, der die Verschiebung der Energie deutlich macht.
Sam Leith beschreibt in Words Like Loaded Pistols sehr treffend, warum diese Verschiebung alles andere als trivial ist. Worte sind demnach keine passiven Behälter für Informationen, sondern geladene Mechanismen, die auf den Leser zielen. Rhetorik ist das verborgene Uhrwerk, das einen Satz landen lässt. Wenn die Software den lästigen Teil des strukturellen Gerüstbaus übernimmt, kann der Schreibende endlich das tun, was eigentlich zählt: zielen.
Schach als Vorbild für den KI-Effekt
Das gleiche Muster zeigt sich in einer Domäne, die schon deutlich länger mit maschineller Unterstützung arbeitet: dem Schach. Als die ersten starken Engines aufkamen, war die verbreitete Annahme, dass menschliches Schach stagnieren oder an Bedeutung verlieren würde. Die Maschine übernimmt das Denken, der menschliche Vorsprung schrumpft. Die Daten aus fünf Jahrzehnten erzählen eine andere Geschichte.
Im Januar 1979 erreichte weltweit genau ein einziger Spieler einen Wert von 2700 oder mehr – Anatoly Karpov mit 2705. Heute liegen die Top 30 im Durchschnitt bei knapp 2750. Was früher die Schwelle zur Ausnahme war, markiert heute nur noch den Rand der absoluten Spitzengruppe. Die Zahl der Großmeister ist von 524 im Jahr 1993 auf rund 1750 heute gestiegen – mehr als eine Verdreifachung. Der Pool an Elitespielern ist nicht geschrumpft, sondern gewachsen. Das Werkzeug, das menschliche Expertise überflüssig machen sollte, hat mehr davon freigesetzt, und zwar kostenlos und allgemein verfügbar.
Und das geschah nicht durch mehr Trainingsstunden. Viktor Kortschnoi, einer der härtesten Arbeiter der Vorcomputerzeit, trainierte fünf Stunden am Tag; heutige Großmeister kommen mit etwa vier aus. Was früher zwei Wochen Materialsammlung und einen Monat Vorbereitung verschlang, erledigt heute eine halbe Stunde in einer Datenbank. Gleiche oder sogar weniger Stunden, höhere Decke an Fähigkeit – nicht weil die Spieler härter arbeiten, sondern weil das Werkzeug besser geworden ist.
Der Jevons-Effekt und die Frage nach dem Anspruch
Ökonomen kennen dieses Muster unter einem Namen: den Jevons-Effekt. Steigt die Effizienz eines Ressourceneinsatzes, steigt in der Regel auch sein Verbrauch, statt zu sinken. Eine sparsamere Dampfmaschine führte nicht zu weniger Kohle, sondern zu mehr Industrie. Auf KI-gestützte Schreibarbeit übertragen heißt das: Wer schneller gute Texte produzieren kann, produziert mehr davon, verlangt mehr Tiefe pro Stück und investiert die gewonnene Zeit in höhere Ansprüche.
Die spannendere Frage ist allerdings nicht die nach dem Volumen. Sie lautet: Wo liegt die Messlatte? KI spart nicht nur Zeit. Sie hebt die Decke dessen, was der gleiche Aufwand hervorbringt. Die mechanische Arbeit verschwindet, die frei gewordene Aufmerksamkeit wandert auf der Wertschöpfungskette nach oben. Der Unterschied zwischen einem routinierten Text und einem treffenden Essay ist keine Frage der Tipparbeit mehr, sondern eine Frage der Fokussierung.
Wer KI als Werkzeug zur Aufwandreduktion versteht, misst ihren Erfolg daran, wie viele Stunden wegfallen. Wer sie als Hebel zur Anspruchserhöhung versteht, misst ihren Erfolg daran, wie viel mehr Qualität pro Stunde entsteht. Beide Sichtweisen führen in unterschiedliche Architekturen, und entsprechend unterschiedlich fallen die Ergebnisse aus.
Was das konkret bedeutet
Die praktische Konsequenz aus diesen Beobachtungen lässt sich in einem Satz zusammenfassen: Das Reifezeichen eines KI-Workflows ist nicht die Abwesenheit menschlicher Bearbeitung. Es ist die Verschiebung der Bearbeitung dorthin, wo sie den größten Hebel hat. Wer weiterhin jeden Absatz von Grund auf korrigiert, weil das System noch nicht gelernt hat, was ein guter Aufbau ist, hat vor allem ein Reifeproblem. Wer hingegen den fertigen Entwurf zwanzigmal auf Satzrhythmus, Wortwahl und argumentative Präzision trimmt, arbeitet bereits auf dem Niveau, das KI überhaupt erst zugänglich macht.
Die Konsequenz für den eigenen Umgang mit KI-Werkzeugen ist unangenehm ehrlich: Niemand sollte erwarten, dass mit besseren Modellen plötzlich weniger eigene Arbeit übrig bleibt. Stattdessen verschiebt sich die Frage von „Wie viel muss ich noch korrigieren?“ zu „Wofür lohnt sich meine Korrektur jetzt?“. Die Antwort darauf entscheidet, ob man KI als Bequemlichkeitswerkzeug oder als Hebel für höhere Ansprüche einsetzt – und damit, ob man am Ende wirklich produktiver wird oder nur schneller das Gleiche herstellt.
Quelle: tomtunguz.com
