🤖 AI

Will AI Agents Free Us From Meaningless Work? A Human-Centered Analysis

Diese Studie schließt die Lücke zwischen dem Potenzial der KI-Automatisierung und den Präferenzen der Arbeitnehmer, indem sie aufzeigt, dass Aufgaben, die als „Bullshit“ wahrgenommen werden, nicht nur als weniger menschliche Aufsicht erfordend bewertet werden, sondern auch stark vorhersagen, dass Arbeitnehmer diese an KI-Agenten delegieren möchten.

Ursprüngliche Autoren: Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

Veröffentlicht 2026-06-12

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Ihr Job ist nicht einfach ein einziger großer Arbeitsblock, sondern eine riesige Kiste voller Lego-Steine. Einige Steine sind glänzend, bunt und machen Spaß beim Zusammenstecken – sie repräsentieren die Teile Ihres Jobs, die Ihnen das Gefühl geben, nützlich und glücklich zu sein. Andere Steine sind stumpf, grau und fühlen sich so an, als würden Sie sie nur ohne Grund aufeinanderstapeln.

In dieser Arbeit geht es darum, herauszufinden, welche Steine die „stumpfen grauen“ sind, und die Frage zu stellen: Sollten wir einem Roboter diese überlassen?

Hier ist die einfache Aufschlüsselung dessen, was die Forscher herausgefunden haben:

1. Der „Bullshit“-Detektor

Die Forscher begannen mit einer Theorie eines Mannes namens Graeber, der sagte, dass manche Jobs „Bullshit-Jobs“ seien – Aufgaben, die sich sinnlos, unnötig oder so anfühlen, als würde man nur so tun, als ob man arbeitet.

Normalerweise sprechen die Leute über ganze Berufe (wie „Ich hasse es, Manager zu sein“). Aber diese Studie konzentrierte sich auf spezifische Aufgaben (wie „das Ausfüllen dieses speziellen Formulars“). Sie fragten 202 Mitarbeiter, wie sie 171 verschiedene Aufgaben auf einer Skala von „Bullshit-Gehalt“ bewerteten.

Das Ergebnis: Sie entwickelten ein „Bullshit-Meter“.

Aufgaben mit wenig Bullshit: Diese sind wie die lustigen Lego-Steine. Sie beinhalten das Treffen von Entscheidungen, das direkte Helfen von Menschen oder das Erschaffen von etwas Realem (z. B. „Planung einer Spendenaktion“ oder „Trösten eines Patienten“).
Aufgaben mit viel Bullshit: Das sind die stumpfen Steine. Sie sind repetitiv, bürokratisch und fühlen sich so an, als existierten sie nur, um ein Regelwerk zu erfüllen (z. B. „Bearbeitung eines Kreditantrags“ oder „Erstellung rechtlicher Dokumente nur für die Akte“).

2. Die Roboter-Wunschliste

Sobald sie wussten, welche Aufgaben sich wie „Bullshit“ anfühlten, fragten sie die Mitarbeiter: „Wenn eine KI dies für Sie erledigen könnte, wie sehr würden Sie das wollen?“

Die große Erkenntnis: Es gibt eine direkte Linie zwischen „Das fühlt sich sinnlos an“ und „Ich möchte, dass ein Roboter es macht“.

Je sinnloser eine Aufgabe erscheint, desto mehr wollen die Arbeiter, sie an eine KI abzugeben.
Es ist fast wie bei einem Verkaufsautomaten: Je langweiliger der Snack ist, desto mehr möchte man, dass jemand anderes ihn für einen holt.

3. Wie sollte der Roboter agieren?

Dies ist der interessanteste Teil. Die Forscher fragten: „Wenn der Roboter diese langweilige Aufgabe erledigt, welche Art von Persönlichkeit sollte er haben?“

Für die „Bullshit“-Aufgaben: Die Arbeiter wollten keinen Roboter, der tiefgründig, kreativ oder erklärungsbedürftig war. Sie wollten einen Roboter, der schnell, einfach, praktisch und entscheidungsfreudig war. Sie wollten, dass der Roboter es einfach erledigt und verschwindet.
- Analogie: Wenn Sie Geschirr spülen (eine langweilige Aufgabe), wollen Sie keinen Geschirrspüler, der plötzlich einen Witz erzählt oder Sie nach Ihrer Meinung über die Seife fragt. Sie wollen einfach nur, dass er schnell schrubbt und aufhört.
Für die „bedeutungsvollen“ Aufgaben: Hier wollten die Arbeiter das Gegenteil. Sie wollten Roboter, die flexibel, fantasievoll und in der Lage waren, Dinge zu erklären.
Die Ausnahme: Selbst für die langweiligen Aufgaben wollten die Arbeiter, dass der Roboter höflich und empathisch ist. Sie wollten keinen unhöflichen Roboter, der ihren ohnehin schon langweiligen Tag noch schlimmer macht.

4. Der „Machbarkeits“-Check

Schließlich fragten sie: „Brauchen diese langweiligen Aufgaben tatsächlich einen Menschen, der sie überwacht?“

Das Ergebnis: Ja! Die Aufgaben, die die Arbeiter als „Bullshit“ bezeichneten, waren auch diejenigen, von denen sie das Gefühl hatten, dass sie am wenigsten menschliche Aufsicht erfordern.

Bedeutungsvolle Aufgaben = Benötigen einen menschlichen Piloten, der das Schiff steuert.
Bullshit-Aufgaben = Können im Autopiloten laufen.

Das Fazit

Die Arbeit legt nahe, dass wir nicht raten müssen, welche Jobs automatisiert werden sollten. Wir müssen die Arbeiter nur fragen: „Welche Teile Ihres Tages fühlen sich wie Zeitverschwendung an?“

Wenn sich eine Aufgabe wie „Bullshit“ anfühlt (sinnlos und bürokratisch), sind die Arbeiter bereit, sie an eine KI abzugeben, und sie erwarten eine schnelle, sachliche Arbeitskraft, die einfach den Weg frei macht. Dies bringt das, was die Arbeiter wollen (frei von Langeweile zu sein), mit dem in Einklang, was tatsächlich möglich ist (Aufgaben, die keinen Menschen zum Steuern benötigen).

Kurz gesagt: Lassen Sie die Roboter die grauen, langweiligen Steine erledigen, damit Menschen sich auf die glänzenden, bunten Steine konzentrieren können.

Technisches Resümee: Werden KI-Agenten uns von sinnloser Arbeit befreien? Eine menschenzentrierte Analyse

Problemstellung
Der aktuelle Diskurs über KI am Arbeitsplatz konzentriert sich überwiegend auf Produktivitätsgewinne und Kostensenkungen, wobei die Auswirkungen auf die Handlungsfähigkeit, Zufriedenheit und das Wohlbefinden der Arbeitnehmer oft vernachlässigt werden. Es besteht eine kritische Lücke im Verständnis darüber, wie Arbeitnehmer selbst identifizieren, welche spezifischen Aufgaben automatisiert werden sollten. Die bisherige Forschung operiert typischerweise auf der Ebene von Berufen und übersieht dabei, dass Arbeitnehmer innerhalb desselben Rollenprofils unterschiedliche Grade an Sinnhaftigkeit bei verschiedenen Aufgaben erleben. Zudem mangelt es an validierten, aufgabenebene-basierten Maßen, um „wahrgenommenen Sinn“ (oder dessen Abwesenheit, bezeichnet als „Bullshit“) und dessen Beziehung zu Automatisierungspräferenzen und Delegationsmachbarkeit zu quantifizieren. Ohne solche Maße ist es unmöglich, empirisch zu untersuchen, wie subjektive Aufgabenerfahrungen die KI-Akzeptanz oder bevorzugte Agentenverhaltensweisen beeinflussen.

Methodik
Die Autoren führten eine empirische Studie durch, die auf Graebers Theorie der „Bullshit-Jobs“ basiert, um diese Lücken zu schließen.

Konstruktion des Datensatzes: Die Studie nutzte einen Datensatz von 171 Arbeitsaufgaben aus der O*NET-Berufsdatenbank, die ausgewählt wurden, weil sie komplex, mehrstufig und primär computerbasiert sind. Diese Aufgaben erstreckten sich über 22 Berufe.
Teilnehmer: 202 in den USA ansässige Arbeitnehmer (Durchschnittsalter 42,6 Jahre, diverse Geschlechterrepräsentation) mit entsprechender Berufserfahrung bewerteten eine Teilmenge von Aufgaben, die mit ihrer Expertise übereinstimmten.
Umfrageinstrument: Die Teilnehmer füllten eine strukturierte Umfrage mit 21 Aufgaben-Items aus vier Blöcken aus:
1. Wahrgenommener Bullshit: Gemessen über eine fünfstufige Skala, die von Graebers Theorie adaptiert wurde und Dimensionen wie Sinnlosigkeit, Unnötigkeit, Diskonnektivität zu Organisationszielen, Peinlichkeit und Leistung für den bloßen Schein erfasst. Die Items wurden auf einer fünfstufigen Likert-Skala bewertet.
2. Automatisierungspräferenzen: Bewertet durch Items, die den Wunsch nach KI-Delegation messen (von „Gar nicht“ bis „Vollständig“).
3. Erforderliche menschliche Handlungsfähigkeit (Agency): Misst das Ausmaß der notwendigen menschlichen Aufsicht, falls die KI assistiert (von „KI erledigt es vollständig“ bis „Kontinuierliche menschliche Beteiligung“).
4. Bevorzugte KI-Eigenschaften: Evaluierte 12 bipolare Merkmale (z. B. Schnell vs. Erklärbar, Höflich vs. Direkt), um gewünschte Agentenverhaltensweisen zu bestimmen.
Analyse: Die Autoren verwendeten eine explorative Faktorenanalyse (EFA) zur Validierung der Bullshit-Skala sowie Mixed-Effects-Modelle, um die Beziehungen zwischen Bullshit, Automatisierungswunsch und erforderlicher menschlicher Handlungsfähigkeit zu analysieren.

Zentrale Beiträge

Validierung eines Maßstabs auf Aufgabenebene: Die Studie führt und validiert eine eindimensionale Skala für „wahrgenommenen Bullshit“ auf Aufgabenebene ein. Die EFA bestätigte eine Ein-Faktor-Struktur (Cronbachs $\alpha$ = 0,877), die die subjektive Erfahrung von Aufgaben als sinnlos, unnötig oder von sinnvollen Ergebnissen entkoppelt erfasst.
Verknüpfung von Bedeutung und Delegationspräferenzen: Die Forschung liefert empirische Belege dafür, dass wahrgenommener Bullshit den Wunsch zur Aufgabendelegation an eine KI stark vorhersagt.
Abgleich von Präferenz und Machbarkeit: Die Studie zeigt, dass Aufgaben, die als „Bullshit“ wahrgenommen werden, nicht nur für die Automatisierung erwünscht sind, sondern auch als weniger bedürftig an menschlicher Aufsicht wahrgenommen werden, was sie zu geeigneten Zielen für autonome Agenten macht.

Ergebnisse

Messvalidität: Die fünfstufige Skala erfasste erfolgreich eine latente Dimension von Bullshit. Die qualitative Analyse ergab, dass Aufgaben mit geringem Bullshit-Gehalt typischerweise Entscheidungsfindung, konkrete Auswirkungen und menschzentrierte Koordination beinhalten. Im Gegensatz dazu waren Aufgaben mit hohem Bullshit-Gehalt durch Routine, Repetitivität, prozedurale Standardisierung und administrative Wartung gekennzeichnet (z. B. das Erstellen juristischer Dokumente oder die Bearbeitung von Kreditanträgen).
Automatisierungswunsch (RQ2): Ein Mixed-Effects-Modell zeigte eine starke positive Korrelation zwischen wahrgenommenem Bullshit und dem Automatisierungswunsch ( $\beta$ = 0,39, $p < ,001$ ). Mit abnehmender Wahrnehmung der Sinnhaftigkeit einer Aufgabe steigt die Bereitschaft der Arbeitnehmer, diese an eine KI zu delegieren, monoton an.
Bevorzugte KI-Verhaltensweisen: Bei der Automatisierung von Aufgaben mit hohem Bullshit-Gehalt bevorzugen die Arbeitnehmer KI-Agenten, die schnell, einfach, praktisch, entscheidungsfreudig und regelkonform sind. Merkmale, die mit Deliberation, Flexibilität, Vorstellungskraft oder extremer Präzision assoziiert sind, wurden weniger geschätzt. Bemerkenswerterweise blieben Höflichkeit und Empathie selbst bei bedeutungslosen Aufgaben wertvoll, was auf die Notwendigkeit sozial reibungsloser Interaktionen hindeutet, um Frustration zu mindern.
Machbarkeit und Handlungsfähigkeit (RQ3): Es besteht eine signifikante negative Korrelation zwischen wahrgenommenem Bullshit und der erforderlichen menschlichen Handlungsfähigkeit ( $\beta$ = -0,2,216, $p < ,001$ ). Aufgaben, die als „Bullshit“ eingestuft werden, werden als weniger bedürftig an menschlichem Urteilsvermögen und Aufsicht wahrgenommen, was sie für ein höheres Maß an KI-Autonomie geeignet macht.

Bedeutung und Behauptungen
Das Paper argumentiert, dass die wahrgenommene Aufgabenbedeutung als praktische, menschenzentrierte Heuristik dient, um Entscheidungen über die KI-Delegation zu leiten. Durch die Operationalisierung der Abwesenheit von Sinn schlagen die Autoren vor, dass „Bullshit-Aufgaben“ einen natürlichen Konvergenzpunkt darstellen, an dem die Präferenzen der Arbeitnehmer (Wunsch zur Auslagerung) mit der wahrgenommenen technischen Machbarkeit (geringer Bedarf an menschlicher Aufsicht) übereinstimmen.

Die Autoren behaupten, dass dieser Ansatz bestehende technische oder auf Aufgabencharakteristika basierende Ansätze zur KI-Implementierung ergänzt. Insbesondere postulieren sie, dass für Aufgaben mit hohem Bullshit-Gehalt das Design der Agenten die Priorität auf eine eingeschränkte, effiziente Ausführung (Geschwindigkeit, Einfachheit) legen sollte, statt auf Fähigkeiten wie Erklärbarkeit oder Kreativität. Umgekehrt erfordern bedeutungsvolle Aufgaben eine anhaltende menschliche Beteiligung. Die Studie kommt zu dem Schluss, dass die Verankerung von Automatisierungsentscheidungen in den gelebten Erfahrungen von Arbeitnehmern hinsichtlich Sinn und Handlungsfähigkeit einen Weg ebnet, um agentische KI-Systeme einzusetzen, die die Produktivität steigern, ohne die sinnvollen Aspekte der menschlichen Arbeit zu untergraben.

Limitationen
Die Autoren räumen ein, dass ihre Ergebnisse auf Teilnehmern aus den USA basieren, was die Generalisierbarkeit einschränken kann. Die Studie konzentriert sich auf Aufgabencharakteristika statt auf kontextuelle Faktoren wie organisatorische Praktiken oder Vergütung. Zudem spiegeln die Ergebnisse die wahrgenommene statt der technischen Machbarkeit wider und stellen eine Momentaufnahme in einer sich schnell entwickelnden technologischen Landschaft dar.