Wenn KI Arbeit steuert: Algorithmisches Management wirksam gestalten
Wenn Software Aufgaben verteilt, Prioritäten setzt oder Leistung bewertet, verändert sie Führungsarbeit. Unser Beitrag zeigt, welche Designentscheidungen Org...
Software verteilt Aufgaben, priorisiert Tickets, weist Kund:innen zu und bewertet Arbeitsergebnisse. Was wie eine technische Funktion aussieht, ist häufig eine Führungs- und Organisationsentscheidung, die jedoch öfters nicht bewusst getroffen wird.
Genau darum geht es bei algorithmischem Management. Gemeint ist der Einsatz von Software, um Aufgaben von Führungskräften teilweise oder vollständig zu automatisieren. Das System plant, koordiniert, gibt Anweisungen, überwacht oder bewertet. Künstliche Intelligenz kann dabei eine Rolle spielen.
Hier ist die Kernfrage nicht "Welches Tool sollen wir einsetzen?". Die Überlegungen sollten in diese Richtung gehen: "Welche Führungsaufgabe übertragen wir an ein System, unter welchen Bedingungen und mit welcher Verantwortung?"
Eine am 6. Juli 2026 veröffentlichte Untersuchung des Joint Research Centre der Europäischen Kommission liefert erstmals EU-weit vergleichbare Daten zu verschiedenen Formen algorithmischen Managements und ihren Zusammenhängen mit Arbeitsbedingungen.
Die Ergebnisse zeigen: Die konkrete Gestaltung zählt. Vor allem Systeme, die Ausführung und Tempo der Arbeit direkt vorgeben, stehen mit geringerer Autonomie und höherer Arbeitsintensität in Verbindung.
Für Führungsteams folgt daraus nicht ein pauschales Nein zur Automatisierung, sondern ein klarer Gestaltungsauftrag.
Algorithmisches Management beginnt früher als viele denken
Der Begriff klingt nach Lieferplattformen, automatischer Schichtplanung oder vollständig überwachter Arbeit. Das Spektrum ist breiter. Algorithmische Steuerung kann in alltäglichen Unternehmenssystemen stecken:
- Ein Workforce-Management-System erstellt Dienstpläne und verteilt Schichten.
- Ein CRM priorisiert Leads oder weist Accounts zu.
- Eine Workflow-Plattform bestimmt, welcher Vorgang als Nächstes bearbeitet wird.
- Ein Ticketsystem misst Durchlaufzeiten und bewertet Teams anhand definierter Kennzahlen.
- Ein HR-System filtert Bewerbungen oder unterstützt Leistungsbewertungen.
- Ein KI-Assistent empfiehlt einer Führungskraft eine Entscheidung oder bereitet sie vor.
Nicht jede dieser Anwendungen ist problematisch. Viele können Planung verbessern, Routinearbeit reduzieren und Engpässe sichtbar machen. Relevant ist, wie stark das System in die Arbeit eingreift, auf welche Daten es sich stützt und ob Menschen seine Vorgaben verstehen, prüfen und korrigieren können.
Die aktuelle Verbreitung lässt sich aus zwei Perspektiven betrachten. In der EU-weiten AIM-WORK-Erhebung des Joint Research Centre berichtet rund ein Drittel der Beschäftigten, KI für arbeitsbezogene Zwecke zu nutzen. Automatisierte Zuweisung von Arbeit oder Arbeitszeit ist laut JRC die häufigste Form algorithmischer Steuerung. Eine OECD-Erhebung unter 6.047 Führungskräften in Deutschland, Frankreich, Italien, Spanien, Japan und den USA kam 2025 zu dem Ergebnis, dass 74 Prozent der Befragten mindestens ein System zur automatisierten Anleitung, Überwachung oder Bewertung von Beschäftigten in ihrem Unternehmen angaben.
Die Zahlen sind nicht direkt vergleichbar, da die Erhebungen mit unterschiedlichen Perspektiven, Ländern und Definitionen arbeiten. Sie zeigen aber übereinstimmend: Algorithmisches Management ist bereits im Einsatz und mit KI wird es stärker in den Fokus rücken.
Führungsarbeit wandert in Regeln, Daten und Konfigurationen
Ein Algorithmus führt nicht im menschlichen Sinn. Er übersetzt definierte Ziele, Regeln und Daten in Empfehlungen oder Vorgaben. Dadurch verschwindet Führung nicht. Sie verlagert sich nur.
Jemand entscheidet, welche Kennzahl optimiert wird. Jemand legt fest, welche Daten einfließen. Jemand definiert Schwellenwerte und Ausnahmen. Jemand bestimmt, wann Menschen abweichen dürfen. Wenn diese Entscheidungen nicht sichtbar sind, wirkt das System objektiver, als es tatsächlich ist.
Ein einfaches Beispiel: Eine Software verteilt Kundenanfragen so, dass die durchschnittliche Bearbeitungszeit sinkt. Das kann sinnvoll sein. Wenn das System aber Komplexität, Lernbedarf oder notwendige Abstimmung nicht berücksichtigt, erzeugt es neue Probleme. Schwierige Fälle bleiben liegen. Mitarbeitende vermeiden Aufgaben, die ihre Kennzahlen verschlechtern. Führungskräfte sehen bessere Durchschnittswerte, obwohl die Servicequalität für bestimmte Kundengruppen sinkt.
Das Problem liegt dabei dann im Zusammenspiel zwischen Ziele, Kennzahlen, Daten, Entscheidungsrecht und Arbeitsrealität.
Hier sieht man wie algorithmisches Management das Operating Model beeinflusst:
- Entscheidungsrechte: Wer entscheidet, wer empfiehlt und wer darf übersteuern?
- Verantwortung: Wer trägt die Folgen einer systemgestützten Entscheidung?
- Arbeitsgestaltung: Welche Autonomie behalten Mitarbeitende und Teams?
- Governance: Welche Anwendungen brauchen Prüfung, Freigabe und laufende Kontrolle?
- Führung: Welche Aufgaben bleiben bewusst menschlich?
- Lernen: Wie werden Fehler, Umgehungsverhalten und unerwartete Folgen sichtbar?
Wer diese Fragen erst nach dem Rollout stellt, hat wesentliche Teile des Systems bereits gestaltet. Nur eben implizit.
Effizienz und Arbeitsqualität sind keine automatischen Gegensätze
Die Debatte wird oft als Konflikt zwischen Produktivität und Schutz geführt. Diese Gegenüberstellung hilft in der Praxis wenig. Dieselbe Technologie kann Arbeit sinnvoll unterstützen oder unnötig komplexer machen. Der Unterschied liegt häufig in der Ausgestaltung.
Die JRC-Untersuchung von 2026 kommt zu drei relevanten Ergebnissen:
Erstens sind die Wirkungen verschiedener Anwendungen unterschiedlich. Algorithmisches Management ist keine einheitliche Kategorie. Ein System zur besseren Einsatzplanung ist anders zu bewerten als eine Anwendung, die jede Arbeitshandlung vorgibt oder Leistung automatisch beurteilt.
Zweitens zeigen direkte Vorgaben zu Aufgabenbearbeitung und Arbeitstempo die stärksten Zusammenhänge mit geringerer Entscheidungsmöglichkeit und höherer Arbeitsintensität. Die Untersuchung beschreibt statistische Zusammenhänge. Sie belegt nicht, dass jede einzelne Anwendung diese Folgen verursacht.
Drittens können sich mehrere Steuerungsformen verstärken. Wenn ein System gleichzeitig Aufgaben verteilt, Tempo misst, Verhalten überwacht und Leistung bewertet, entsteht eine andere Wirkung als bei einer einzelnen, klar begrenzten Funktion.
Auch die OECD-Befunde zeigen ein gemischtes Bild. Führungskräfte berichten von konsistenteren Entscheidungen und Effizienzvorteilen. Gleichzeitig nennen sie unklare Verantwortlichkeit, schwer nachvollziehbare Systemlogik und unzureichenden Gesundheitsschutz als Vertrauensprobleme. Auffällig ist zudem eine Wissenslücke: 69 Prozent der befragten europäischen Führungskräfte gaben an, die verwendeten Systeme würden keine personenbezogenen Arbeitsdaten nutzen. Die OECD hält eine Unterschätzung der tatsächlichen Datennutzung für wahrscheinlich.
Die praktische Konsequenz lautet: Ein Business Case für algorithmisches Management braucht mehr als Zeitersparnis. Er muss auch Entscheidungsqualität, Arbeitsfähigkeit, Fehlerrisiken und unerwünschte Verhaltensanreize berücksichtigen.
Sechs Designfragen vor Einführung oder Skalierung
1. Welche Führungsaufgabe wird tatsächlich übertragen?
Beschreiben Sie die Funktion konkret. „KI-gestützte Planung“ ist zu ungenau. Verteilt das System Schichten, priorisiert es Vorgänge, bewertet es Leistung oder empfiehlt es personelle Entscheidungen?
Je näher die Funktion an Bewertung, Vergütung, Entwicklung oder Beschäftigung liegt, desto genauer müssen Wirkung, Datenbasis und Kontrollmechanismen geprüft werden. Eine technische Produktkategorie ersetzt diese Einordnung nicht.
2. Welcher Outcome soll verbessert werden?
Definieren Sie den erwarteten Nutzen aus Sicht des Gesamtsystems. Eine kürzere Bearbeitungszeit kann sinnvoll sein. Sie darf aber nicht automatisch zum alleinigen Ziel werden.
Geeignete Fragen sind:
- Welches Kunden- oder Geschäftsproblem lösen wir?
- Welche Qualitätsdimension darf sich nicht verschlechtern?
- Welche Nebenwirkungen müssen wir beobachten?
- Woran erkennen wir, dass die Anwendung angepasst oder gestoppt werden muss?
Ein belastbarer Outcome verbindet Effizienz mit Qualität. Sonst optimiert das System womöglich eine lokale Kennzahl und verschlechtert das Gesamtergebnis.
3. Wer entscheidet und wer kann übersteuern?
Human Oversight ist nur wirksam, wenn eine Person echte Befugnis hat. Ein Mensch, der Systemvorschläge formal bestätigt, aber weder Zeit noch Informationen für eine Prüfung besitzt, übernimmt keine wirksame Kontrolle.
Klären Sie für jede relevante Entscheidung:
- Gibt das System eine Information, eine Empfehlung oder eine verbindliche Vorgabe?
- Wer ist für das Ergebnis verantwortlich?
- Unter welchen Bedingungen darf oder muss abgewichen werden?
- Wie wird eine Abweichung dokumentiert?
- Wer entscheidet bei Konflikten zwischen Systemvorgabe und professioneller Einschätzung?
Die Antwort muss im Arbeitsablauf sichtbar sein, nicht ausschließlich in einer Richtlinie.
4. Welche Daten und Annahmen steuern die Arbeit?
Viele Systeme wirken neutral, weil ihre Regeln nicht sichtbar sind. Tatsächlich beruhen sie auf Auswahlentscheidungen. Welche Daten gelten als relevant? Welche Tätigkeit wird erfasst? Welche Arbeit bleibt unsichtbar?
Zusammenarbeit, Wissensaustausch, Mentoring oder der Umgang mit komplexen Ausnahmen lassen sich oft schlechter messen als Bearbeitungszeit und Menge. Wer nur leicht verfügbare Daten nutzt, setzt Messbarkeit mit Wertgenerierung gleich.
Erstellen Sie deshalb eine einfache Daten- und Entscheidungslandkarte:
Frage | Zu dokumentieren |
|---|---|
Welche Daten fließen ein? | Quelle, Aktualität, Qualität, Personenbezug |
Was berechnet das System? | Regel, Modell, Schwellenwert, Priorisierungslogik |
Welche Entscheidung folgt? | Empfehlung, Vorgabe, Bewertung oder Freigabe |
Wer ist betroffen? | Rollen, Teams, Kundengruppen, externe Partner |
Welche Korrektur ist möglich? | Einspruch, Override, Datenkorrektur, Eskalation |
Diese Übersicht schafft noch keine vollständige rechtliche oder technische Prüfung. Sie macht aber die organisatorische Logik besprechbar.
5. Welche Autonomie braucht gute Arbeit?
Autonomie ist kein Selbstzweck. Sie erlaubt Menschen, mit Ausnahmen, Unsicherheit und widersprüchlichen Zielen umzugehen. Genau dort stoßen standardisierte Regeln oft an Grenzen.
Definieren Sie deshalb bewusst, was standardisiert werden kann und wo professionelles Urteil erforderlich bleibt. Ein sinnvolles Design kann zum Beispiel Routinefälle automatisch verteilen und komplexe Fälle in eine gemeinsame Entscheidung geben. Es kann Prioritäten vorschlagen, ohne die Reihenfolge vollständig festzuschreiben. Es kann Abweichungen sichtbar machen, ohne sie automatisch als schlechte Leistung zu werten.
Die richtige Balance hängt von Aufgabe, Risiko und Kompetenz ab. Sie lässt sich nicht zentral für alle Bereiche festlegen.
6. Wie werden Betroffene beteiligt und Erfahrungen ausgewertet?
Beschäftigte sehen Auswirkungen, die in einem Projektplan fehlen. Sie erkennen, wenn Daten die Realität schlecht abbilden, Anreize kippen oder Ausnahmen zunehmen. Diese Perspektive gehört früh in die Gestaltung.
Die OECD verweist darauf, dass Beteiligung von Beschäftigten oder ihrer Vertretungen mit positiveren Ergebnissen von KI für Leistung und Arbeitsbedingungen verbunden ist. Das ist kein Beweis für eine einfache Ursache-Wirkung-Beziehung. Es ist aber ein guter Grund, Beteiligung als Teil des Designs zu behandeln und nicht als Kommunikation nach einer fertigen Entscheidung.
Für österreichische Unternehmen kommt eine rechtliche Dimension hinzu. Je nach System, Datenverarbeitung und Eingriff in Arbeitsbedingungen können Informations-, Mitwirkungs- oder Zustimmungspflichten relevant sein. Das muss für den konkreten Fall arbeits- und datenschutzrechtlich geprüft werden.
Ein pragmatischer Review für bestehende Systeme
Viele Organisationen starten nicht auf einer leeren Fläche. Planungs-, Workflow-, CRM- und HR-Systeme sind bereits im Einsatz. Der sinnvollste Einstieg ist deshalb oft ein Review der vorhandenen Steuerungslogik.
Schritt 1: Systeme und Führungsfunktionen erfassen
Listen Sie Anwendungen auf, die Arbeit planen, zuweisen, priorisieren, überwachen oder bewerten. Erfassen Sie auch etablierte Systeme. Der Name des Produkts ist weniger relevant als seine tatsächliche Funktion im Arbeitsablauf.
Schritt 2: Eingriffstiefe bewerten
Ordnen Sie jede Anwendung nach vier Kriterien ein:
1. Einfluss auf Beschäftigte oder Kundinnen und Kunden
2. Grad der Automatisierung
3. Sensibilität und Personenbezug der Daten
4. Möglichkeit zur menschlichen Prüfung und Korrektur
Beginnen Sie mit Systemen, die mehrere Kriterien stark berühren. So vermeiden Sie einen umfangreichen Katalog ohne klare Priorität.
Schritt 3: Wirkung und Nebenwirkung gemeinsam messen
Kombinieren Sie mindestens ein Wirkungssignal mit einem Signal für Arbeitsqualität oder Fehlverhalten. Neben Durchlaufzeit können das Nacharbeit, Fehlerquote, ungeplante Eskalationen, wahrgenommene Autonomie oder die Zahl der begründeten Overrides sein.
Nicht jede Kennzahl muss dauerhaft in ein Dashboard. Für einen Lernzyklus reichen wenige Signale, wenn klar ist, welche Entscheidung daraus folgt.
Schritt 4: Einen verbindlichen Lernrhythmus festlegen
Vereinbaren Sie, wer das System in welchem Abstand überprüft. Ein Review sollte Daten, Rückmeldungen, Ausnahmen und unerwartete Folgen zusammenführen. Fachbereich, Führung, IT, Datenschutz, People and Culture und Arbeitnehmervertretung werden je nach Anwendung beteiligt.
Das Ziel ist kein dauerhaftes Kontrollgremium für jede kleine Anpassung. Das Ziel ist eine passende Governance: leicht für begrenzte Anwendungen, genauer für Systeme mit erheblichem Einfluss.
Was Führung jetzt klären sollte
Algorithmisches Management macht Organisationen nicht automatisch schneller oder objektiver. Es kann Planung verbessern und Entscheidungen unterstützen. Es kann ebenso lokale Kennzahlen überbewerten, Verantwortung verwischen und Arbeit unnötig verdichten.
Der Kern liegt in fünf Punkten:
1. Die automatisierte Führungsfunktion ist klar beschrieben.
2. Der erwartete Outcome umfasst Effizienz und Qualität.
3. Entscheidungsrechte und Override sind im Workflow verankert.
4. Daten, Annahmen und Grenzen sind nachvollziehbar.
5. Beschäftigte können Auswirkungen melden und an Verbesserungen mitarbeiten.
Damit wird KI nicht zum Ersatz für Führung. Sie wird zu einem bewusst konzipierten Teil des Operating Models.
Fazit
Die neue europäische Forschung zeigt, warum eine pauschale Debatte über KI am Arbeitsplatz wenig hilft. Unterschiedliche Formen algorithmischer Steuerung haben unterschiedliche Auswirkungen. Besonders relevant wird die Gestaltung dort, wo Systeme Tempo, Reihenfolge oder Bewertung der Arbeit prägen.
Unternehmen sollten deshalb nicht erst reagieren, wenn neue Regeln greifen oder Konflikte sichtbar werden. Der bessere Zeitpunkt ist vor der Skalierung. Machen Sie transparent, welche Führungsentscheidungen bereits in Software stecken, wer Verantwortung trägt und welche Rückmeldungen das System verändern können.
So entsteht aus Automatisierung keine unsichtbare Steuerung, sondern eine bewusst gestaltete Arbeitsweise.
Sie möchten prüfen, wie KI, Entscheidungsrechte und Arbeitsabläufe in Ihrem Operating Model zusammenspielen? Vereinbaren Sie ein unverbindliches Gespräch
Quellen und Zuordnung zentraler Aussagen
1. Joint Research Centre der Europäischen Kommission: „Algorithmic management and working conditions in Europe: Evidence from the AIM-WORK Survey“, veröffentlicht am 6. Juli 2026. Grundlage für die Aussagen zu EU-weit vergleichbarer Evidenz, Unterschieden zwischen einzelnen Steuerungsformen, Autonomie, Pausen, Stress, Arbeitsintensität und kumulativen Effekten. Die Studie weist statistische Zusammenhänge aus.
https://publications.jrc.ec.europa.eu/repository/handle/JRC147505
2. Joint Research Centre der Europäischen Kommission: „Algorithmic management and digital monitoring of work“, laufende Projektseite, abgerufen am 19. Juli 2026. Grundlage für Definition, Reichweite der AIM-WORK-Erhebung, Nutzung von KI durch rund ein Drittel der Beschäftigten und die Einordnung typischer Formen wie Arbeitszeit- und Aufgabenzuweisung.
3. Eurofound: „AI, algorithmic management and the transformation of society, work, and employment: Exploring the concepts“, veröffentlicht am 30. April 2026. Grundlage für die Einordnung von KI und algorithmischem Management als Veränderung von Arbeitsorganisation, Beschäftigung und sozialem Dialog.
4. Europäische Kommission: „First-phase consultation of social partners: Quality Jobs Act“, veröffentlicht am 4. Dezember 2025. Grundlage für die Angaben zur politischen Befassung mit algorithmischem Management, zu möglichen Vorteilen, zu Risiken für Autonomie und Gesundheit sowie zur Bedeutung von Beteiligung.
5. OECD: „Algorithmic management in the workplace: New evidence from an OECD employer survey“, ursprünglich veröffentlicht am 6. Februar 2025, korrigierte Fassung im Februar 2025. Grundlage für Definition, Verbreitung in den sechs untersuchten Ländern, wahrgenommene Vorteile und Risiken, Governance-Maßnahmen, Beteiligung sowie die mögliche Unterschätzung der Datennutzung durch Führungskräfte. https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/02/algorithmic-management-in-the-workplace_3c84ed6d/287c13c4-en.pdf
6. Europäisches Parlament: „Digitalisation, artificial intelligence and algorithmic management in the workplace: Shaping the future of work“, veröffentlicht am 24. Oktober 2025. Ergänzende Grundlage für die sektorübergreifende Verbreitung, mögliche Produktivitätsvorteile und Herausforderungen für Arbeitsbedingungen und Wohlbefinden. https://www.europarl.europa.eu/thinktank/en/document/EPRS_STU%282025%29774670
7. Statistik Austria: „Österreichs Unternehmen beim Einsatz von künstlicher Intelligenz im EU-Spitzenfeld“, veröffentlicht am 24. Juni 2026. Kontext für die Relevanz in Österreich: 30 Prozent der österreichischen Unternehmen ab zehn Beschäftigten nutzten 2025 mindestens eine KI-Technologie. Die Statistik macht keine Aussage zur Verbreitung algorithmischen Managements. https://www.statistik.at/fileadmin/announcement/2026/06/20260624IKTU2025.pdf
8. Rechtsinformationssystem des Bundes: Arbeitsverfassungsgesetz, insbesondere § 91 und § 96a, konsolidierte Fassung, abgerufen am 19. Juli 2026. Orientierung für den redaktionellen Prüfhinweis zu Informations- und Mitwirkungsrechten des Betriebsrats bei automatisierter Verarbeitung von Arbeitnehmerdaten und bestimmten Beurteilungssystemen. https://www.ris.bka.gv.at/GeltendeFassung.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008329