Das Verifikationsproblem: Warum das Prüfen von KI-Output zum neuen Engpass wird

Die Rechnung, die nicht aufgeht

Stellen Sie sich eine Fabrik vor, die ihren Ausstoß verdoppelt hat. Die Maschinen laufen schneller, mehr Teile verlassen das Band — und doch verlässt am Ende weniger fertige Ware das Werk als zuvor. Der Grund: Die Qualitätskontrolle kommt nicht hinterher. Jedes zweite Teil muss begutachtet, nachgebessert oder aussortiert werden, und die wenigen erfahrenen Prüfer sind hoffnungslos überlastet.

Genau diese Szene spielt sich gerade in der Wissensarbeit ab — nur dass das Fließband ein KI-Modell ist und die Teile Code, E-Mails, Verträge und Analysen sind. Die Produktion ist trivial billig geworden. Das Prüfen nicht. Und weil sich der Engpass von der Erzeugung zur Überprüfung verschoben hat, verpufft ein großer Teil der versprochenen Produktivitätsgewinne. Das ist keine Schwarzmalerei, sondern inzwischen gut vermessen.

Der Befund hat einen Namen, den der Forscher Jason Wei prägte: die Asymmetrie der Verifikation. Manche Aufgaben sind viel leichter zu prüfen als zu lösen — ein gelöstes Sudoku etwa kontrolliert man in Sekunden. Bei vielen realen Aufgaben gilt aber das Gegenteil: Ein KI-Modell produziert in zehn Minuten einen Text oder eine Codeänderung, deren Korrektheit zu bewerten Stunden dauert. Bislang galt die alte Faustregel „Erzeugen ist teuer, Prüfen ist billig“. KI hat dieses Verhältnis umgedreht — und damit eine stillschweigende Annahme zerstört, auf der unsere gesamte Arbeitsorganisation beruht.

Was die Daten zeigen

Die wohl unbequemste Zahl stammt vom Forschungsinstitut METR. In einer kontrollierten Studie Anfang 2025 bearbeiteten erfahrene Open-Source-Entwickler echte Aufgaben aus ihren eigenen Projekten — mal mit, mal ohne KI-Werkzeuge. Das Ergebnis: Mit KI brauchten sie 19 Prozent länger. Das Bemerkenswerte ist der blinde Fleck: Dieselben Entwickler glaubten anschließend, rund 20 Prozent schneller gewesen zu sein. Subjektive Beschleunigung bei objektiver Verlangsamung. (Fairerweise: METR räumte Anfang 2026 ein, dass sich das mit neueren Werkzeugen verbessert haben dürfte und überarbeitet sein Studiendesign — die 19 Prozent sind kein Generalurteil, aber ein reales Signal für anspruchsvolle Projekte mit hohen Qualitätsstandards.)

Auf der Output-Seite explodiert derweil das Volumen. Der Analyse-Anbieter GitClear wertete 211 Millionen geänderte Codezeilen aus und fand, dass sich kopierter Code zwischen 2021 und 2024 etwa vervierfachte, während echtes Refactoring zurückging. Der Anteil von Code, der binnen zwei Wochen wieder geändert werden muss — ein Indikator für überhastete Commits — stieg deutlich. Mehr Code, aber von fragwürdiger Haltbarkeit.

Dass die Rechnung am Ende oft nicht aufgeht, zeigt der Work AI Index 2026 des Anbieters Glean besonders plastisch. Befragt wurden 6.000 Wissensarbeiter. Sie verbringen im Schnitt 6,4 Stunden pro Woche — fast einen ganzen Arbeitstag — mit dem, was die Studie „Botsitting“ nennt: KI mit Kontext füttern, Ausgaben prüfen, Fehler aufräumen. Mehr als ein Drittel der KI-Sitzungen scheitert komplett. Und eine vom Wall Street Journal aufgegriffene Umfrage der Beratung Section unter 5.000 Beschäftigten ergänzt das Bild: 40 Prozent der Nicht-Führungskräfte sparen über eine Woche hinweg gar keine Zeit durch KI. In der Chefetage sieht man das umgekehrt — eine Wahrnehmungskluft, die erklärt, warum die KI-Euphorie oben größer ist als unten.

Wo es besonders weh tut

Am schärfsten lässt sich der Effekt in der Softwareentwicklung messen, weil dort alles in Zahlen vorliegt. Der Engineering Report 2026 der Plattform Faros AI, gestützt auf zwei Jahre Telemetrie von 22.000 Entwicklern, dokumentiert ein klares Muster: Mit hoher KI-Adoption steigt der Durchsatz an Pull Requests — also Code-Einreichungen — deutlich, doch die Zeit, die das Team im Code-Review verbringt, vervielfacht sich. Faros nennt das die „Senior-Engineer-Steuer“: Ausgerechnet die Fachkräfte mit dem tiefsten Systemverständnis verbringen ihre wertvollsten Stunden damit, plausibel aussehenden Code zu entwirren, der sie in diesem Zustand nie hätte erreichen dürfen.

Der Code-Qualitäts-Spezialist Sonar befragte Anfang 2026 über 1.100 Entwickler und förderte eine „Verifikationslücke“ zutage: 96 Prozent vertrauen KI-generiertem Code nicht vollständig, nur knapp die Hälfte prüft ihn vor dem Commit grundsätzlich, und 38 Prozent finden das Review von KI-Code aufwändiger als das von menschlichen Kollegen. Der Grund ist tückisch: KI-Code sieht kompetent aus. Er ist sauber formatiert und idiomatisch — selbst dann, wenn die zugrunde liegende Logik falsch ist. Die für Menschen üblichen Warnsignale von Schludrigkeit fehlen.

CircleCI lieferte mit der Auswertung von 28 Millionen CI/CD-Abläufen die vielleicht prägnanteste Momentaufnahme: Der Durchsatz auf Feature-Branches stieg im Jahresvergleich kräftig — der Durchsatz auf dem Hauptzweig, also dem Code, der tatsächlich in Produktion geht, sank beim mittleren Team leicht. Mehr wird produziert, weniger kommt sauber an. Das ist die Asymmetrie der Verifikation in einer einzigen Kennzahl.

Doch das Phänomen bleibt nicht im Code. Das Recht erlebt eine Welle frei erfundener Gerichtszitate (siehe unsere heutige Nachrichtenstrecke), und auch in der reinen Büroarbeit hat es einen Namen bekommen: „Workslop“. Eine Studie von BetterUp und dem Stanford Social Media Lab, prominent im Harvard Business Review veröffentlicht, beschreibt damit KI-generierte Inhalte, die nach guter Arbeit aussehen, aber die Substanz vermissen lassen, um eine Aufgabe wirklich voranzubringen. 40 Prozent der Befragten hatten in den letzten 30 Tagen solche Inhalte erhalten; pro Vorfall fielen im Schnitt fast zwei Stunden Mehrarbeit an. Der entscheidende Mechanismus: KI entkoppelt Aufwand von Qualität. Der Absender spart Zeit, der Empfänger zahlt die Rechnung — und hält den Kollegen anschließend für weniger fähig.

Warum Agenten das Problem verschärfen

Autonome, mehrstufige Agenten — Systeme, die eine Aufgabe selbstständig in Teilschritte zerlegen und abarbeiten — gießen Öl ins Feuer, und zwar aus drei Gründen.

Erstens die Fehlerfortpflanzung. In einer zehnstufigen Pipeline muss nicht nur das Endergebnis stimmen, sondern jeder Zwischenschritt. Ein kleiner Fehler in Schritt zwei kann im Ergebnis von Schritt zehn vollständig verborgen sein. Wer ihn finden will, muss die gesamte Kette zurückverfolgen — Debugging wird zur Archäologie.

Zweitens die Volumen-Explosion. Ein einzelner Mensch, der mehrere Agenten orchestriert, kann das Fünf- bis Zehnfache dessen an Output erzeugen, das er selbst je schreiben könnte. Bei gleichbleibender Prüfkapazität gibt es nur zwei Auswege: Entweder die Qualität leidet, oder der Durchsatz staut sich. Beides ist messbar — Faros fand, dass mit KI-Beschleunigung der Anteil der ganz ohne menschliches Review zusammengeführten Einreichungen spürbar zunahm.

Drittens, und am grundlegendsten: Der naheliegende Ausweg — KI prüft KI — funktioniert nur eingeschränkt. Lässt man dasselbe Modell im selben Kontext erzeugen und kontrollieren, bekommt man Selbstbestätigung statt unabhängiger Prüfung; das Modell trägt seine ursprünglichen Annahmen einfach in den Prüfschritt. Setzt man ein zweites Modell als „Richter“ ein, schleichen sich systematische Verzerrungen ein: Solche LLM-Richter bevorzugen die zuerst gezeigte oder die längere Antwort und neigen zu unkritischer Zustimmung. Die unausweichliche Frage lautet: Wer prüft den Prüfer?

Was das für Unternehmen bedeutet

Die wichtigste Konsequenz ist unbequem: Die klassische Produktivitätsmessung ist im KI-Zeitalter kaputt. Commits, Pull Requests, Velocity-Punkte, Zeilen Code — all diese Kennzahlen messen Ausstoß, nicht Wert. Wenn das Output-Volumen steigt, während weniger Sauberes in Produktion geht, belohnen diese Metriken genau das falsche Verhalten. Wer KI-Einführung am gestiegenen PR-Volumen festmacht, feiert die Beschleunigung des Fließbands und übersieht den Stau in der Qualitätskontrolle.

Daraus ergeben sich drei konkrete Empfehlungen für Tech-Verantwortliche.

Erstens: Verifikationskosten explizit messen. Führen Sie „Review-Zeit pro Einreichung“ und „Nacharbeitsquote“ als gleichberechtigte Kennzahlen neben dem Durchsatz ein. Ein Team, das KI adoptiert, ohne seine Prüfkapazität mitzuskalieren, produziert technische Schulden im Schnelldurchlauf. Etablierte Qualitäts- und Stabilitätsmetriken (etwa die DORA-Kennzahlen rund um Fehlerrate und Wiederherstellungszeit) sind dafür der bessere Kompass als reine Aktivitätszahlen.

Zweitens: Kognitive Arbeit nach vorn verlagern. Statt KI-Output mühsam im Nachhinein zu prüfen, lohnt es sich, Anforderungen und Akzeptanzkriterien vor der Generierung präzise und — wo möglich — maschinenprüfbar festzulegen. Erfahrene Mitarbeitende sollten mehr Zeit in die Spezifikation investieren als in die Reparatur. Das verändert Rollen und Sprint-Planung: Der Senior wird vom Produzenten zum Architekten und Kurator.

Drittens: Verifizierbare von nicht-verifizierbaren Domänen unterscheiden. Dort, wo das Prüfen billig ist — Code mit guter Testabdeckung, strukturierte Datenanalyse mit nachrechenbarem Ergebnis, Standard-Bausteine — ist KI klar produktiv. Dort, wo Verifikation teuer oder kaum möglich ist — strategische Einschätzungen, juristische Argumentation, extern sichtbare Kommunikation —, ist die Produktivitätsgleichung unsicher und das Risiko hoch. Diese Landkarte zu zeichnen, ist derzeit eine der wertvollsten Führungsaufgaben.

Die gute Nachricht: Das Verifikationsproblem ist lösbar, aber nicht durch ein weiteres Werkzeug, das noch schneller produziert. Es ist eine Frage der Organisation. Wer versteht, dass der Engpass nicht mehr beim Schreiben, sondern beim Prüfen liegt, hört auf, die falsche Maschine zu beschleunigen — und fängt an, die richtige zu bauen.