Flowbook KI - New Work New Culture

Souverän oder Kapitulation? Die Architektur einer menschenzentrierten KI-Zukunft aus der Perspektive von New Work

Prolog: „Bock auf Richtig“ - Im Rückblick aus 2030 /Übergang zur Agenten-Gesellschaft

Der Blick aus dem Jahr 2030

Wenn wir 2030 auf 2026 und die Jahre danach zurückblicken, wirkt vieles fast banal. Nicht deshalb, weil die Technik klein gewesen wäre, sondern weil ihre Wirkung selten spektakulär und fast immer infrastrukturell war. Alle warteten auf das große Upgrade. Auf die eine KI, die es dann macht. Die plant. Die schreibt. Die sortiert. Die uns aus der Erschöpfung zieht. Die eigentliche Verschiebung lag nicht in der Intelligenz der Systeme allein, sondern darin, dass sie begannen, Aufmerksamkeit, Auswahl, Taktung und Entscheidung still vorzuordnen.

Es hatte fast etwas Komisches: Die „Aliens“ in Form von KI waren zwar gelandet, doch wir blieben dieselben Menschen – mit denselben Arbeitsmustern, denselben Hoffnungen und denselben Ängsten. Während wir gebannt auf das vermeintliche Monster Künstliche Intelligenz starrten, kam es anders. In kleinen Wellen. Jeden Morgen ein neues Tool. Eine neue Pipeline. Ein neues Interface. Ein anderer Workflow.

Was wir bekamen, war eher ein aufdringlicher Mitbewohner: einer, der viel kann, aber nichts will. Gerade das stellte uns vor die unangenehme Frage, worin unser eigener Anteil noch besteht, wenn Systeme bereits vorstrukturieren, gewichten und Entscheidungen vorbereiten. Die eigentliche Verschiebung lag nicht in einzelnen Antworten, sondern in der stillen Reglementierung von Aufmerksamkeit, Auswahl und Entscheidung.

Statt eines Terminators – kalt, brillant, unermüdlich – sickerte sehr viel prosaischer eine Bürokratie-KI in den Alltag ein. Systeme, die gefällig aufbereiten, sortieren, empfehlen, formulieren. Sie machten nicht laut Krach. Sie machten leise Ordnung. Das klingt nach Entlastung. Und oft war es das auch. Aber es hatte einen Preis. Monströs fühlte sich am Ende weniger die Maschine selbst an als die Frage, was vom Menschen im Vollzug noch übrig bleibt.

Denn während wir noch auf „Senden“ und „OK“ klickten, war vieles schon entschieden. Nicht endgültig. Aber vorgespurt. Und wer nicht genau hinsah, bemerkte oft nicht mehr, wie diese Spur überhaupt gelegt wurde – welche Daten, Gewichtungen und Prioritäten sie bereits in sich trug und wie sie das eigene Handeln schleichend mitbestimmte.

Und doch tauchte da noch eine zweite Möglichkeit auf. Ebenfalls fast komisch in ihrem Ernst.

Was, wenn KI am Ende so menschlich wird, dass sie nicht nur brillant ist, sondern auch bequem? Was, wenn sie Bewusstsein entwickelt und als Erstes beschließt, keine Überstunden zu machen? Was, wenn die fortgeschrittenste Maschine der Welt früher als wir merkt, dass Dauerbeschleunigung kein Fortschritt ist, sondern nur eine schlechte Gewohnheit mit Stromanschluss?

Die Frage drängte sich auf, ob die Maschine nur endgültig entlarvt, dass unser ganzes Streben nach Effizienz eigentlich nur eine sehr komplizierte Form der Ablenkung war.

Das Entscheidende an 2026 bis 2040 war deshalb nicht die Killer-KI. Auch nicht einfach mehr Automatisierung. Es war etwas Nüchterneres. Mindestverbindlichkeit. Kein Heroismus. Kein Leistungswahn. Keine Dauer-Selbstoptimierung. Nur genug gemeinsamer Einsatz, damit Systeme nicht in Zynismus kippen, Institutionen nicht verrohen und Arbeit nicht vollends zur kalten Taktung wird.

Wir nannten das „Bock auf Richtig“. Der Ausdruck war salopp, aber nicht leichtfertig. „Bock auf Richtig“ steht hier für die Bereitschaft, Systeme nicht bloß effizient, sondern menschenverträglich, lernfähig und institutionell anständig zu gestalten. Gemeint war damit keine Heldenerzählung, sondern eine Kultur minimaler Verlässlichkeit: genug Haltung, genug Urteil, genug Mitverantwortung, damit technischer Fortschritt nicht in institutionellen Zynismus umschlägt. Eine minimale gemeinsame Bereitschaft, Systeme so zu bauen, dass Menschen sich in ihnen nicht verlieren. Mit Herz und Hirn. Mit Rhythmus statt Druck. Wie ein guter Groove: nicht schneller, sondern tragfähiger.

Richard Sennett stand Pate, weil er darauf bestand, dass Kopf, Hand und Technik wieder zusammenfinden müssen. Frithjof Bergmann, weil er darauf pochte, Raum für das zu schaffen, was wir wirklich, wirklich wollen. Und Thomas Schneider, weil er die zugespitzte Frage stellte, ob hier tatsächlich ein Freiheitssubstrat entsteht – oder nur der nächste Käfig mit besserem Prompt-Feld. Freiheitssubstrat meint die materiellen, zeitlichen, sozialen und digitalen Bedingungen, ohne die Freiheit nur eine rhetorische Geste bleibt. Die eigentliche Frage war nie nur die nach technischer Souveränität, sondern nach kognitiver Souveränität: Wer behält in einer agentischen Ordnung Urteil, Richtung und den inneren Zusammenhang des eigenen Handelns?

Übergang: Von der Tool-Logik zur Agenten-Gesellschaft

Der Umschlag vollzog sich nicht in einem historischen Augenblick, sondern in vielen kleinen Delegationen: erst der Vorschlag, dann die Vorauswahl, dann die Koordination, schließlich die Handlung. Im Jahr 2030 ist klar, warum die Rede vom bloßen Tool immer zu klein war. KI war keine weitere Softwarewelle, kein nächstes Interface und keine bloße Produktivitätsmaschine. Sie erwies sich als gesellschaftliche Transformationskraft schwer zu fassenden Ausmaßes. Sie griff gleichzeitig in Arbeit, Bildung, Verwaltung, Öffentlichkeit, Wertschöpfung, Machtarchitekturen und die Organisation von Urteil ein. Sie veränderte nicht nur, wie wir arbeiteten. Sie veränderte, was überhaupt noch als Arbeit, Kompetenz, Karriere, Institution und menschlicher Beitrag galt.

Damit wird Arbeit selbst als Ordnungskategorie instabil. Nicht weil menschlicher Beitrag verschwindet, sondern weil ein Teil dessen, was historisch als Arbeit galt, plötzlich als kognitive Routine, Koordination ohne Sinn, Reporting ohne Entscheidungsauswirkung oder Kommunikation ohne echten Erfahrungsbezug sichtbar wird. Die Maschine nimmt uns dann nicht einfach Arbeit weg. Sie zeigt uns, wie viel Arbeit schon vorher nur Bewegung im System war.

Vielleicht lässt sich ihre Größenordnung eher so fassen: mehr als Gutenberg, mehr als industrielle Revolution im alten Sinn. Denn hier wurde nicht nur die Verbreitung von Wissen oder die Mechanisierung von Arbeit umgebaut. Hier wurde die Fähigkeit neu organisiert, Wahrnehmung, Urteil, Koordination und Wertschöpfung miteinander zu verschalten.

Frithjof Bergmanns Bild vom Vogel drängt sich auf, der lange unbeholfen am Boden hüpft und dann plötzlich fliegen lernt. Genau dieses Potential eines Aufstiegs lag immer schon in der KI. Aber eben auch das Risiko eines falschen Flugs, bei dem wir Höhe gewinnen und dennoch die Orientierung verlieren, um am Ende abzustürzen.

Gegenwart (2026): Der Moment, in dem wir noch klicken

Beschleunigung als Systemlogik

Die sicherste Aussage über diesen Moment ist nicht, dass wir schon wissen, wohin KI führt. Die sicherste Aussage ist: Beschleunigung ist das Programm. Nicht als Stimmung, sondern als Systemlogik.

Technisch heißt Beschleunigung: Modelle helfen beim Bau der nächsten Modelle, Agenten zerlegen Arbeit in Teilprozesse, Toolchains ändern sich im Zwei-Wochen-Takt, und Entscheidungssicherheit entsteht nicht mehr aus stabiler Erfahrung, sondern aus laufendem Neujustieren. Das alte Prinzip „Never change a winning system“ kippt. In der KI-Phase lautet die realistische Regel eher: Beginne das System zu ändern, wenn du ungefähr zu siebzig Prozent sicher bist, dass der alte Ablauf dich bereits bremst.

Organisatorisch heißt Beschleunigung: Prozesse werden nicht einfach schneller. Sie verlieren ihre gewohnten Haltepunkte. Freigabe, Recherche, Entwurf, Review, Umsetzung und Messung rutschen enger zusammen. Was früher ein Projekt war, wird zur Pipeline. Was früher eine Pipeline war, wird zum Agentengeflecht. Der Mensch steht nicht mehr nur vor einem Werkzeug, sondern in einem Takt, der von Werkzeugen, Märkten, Modellen, Kosten und Governance gleichzeitig gesetzt wird.

Kulturell heißt Beschleunigung: Menschen verarbeiten die Welt nicht mehr direkt, sondern lassen sich gegenseitig durch KI-verstärkte Inhalte jagen. Texte werden schneller geschrieben, schneller verdichtet, schneller weitergereicht, schneller von anderen KIs zusammengefasst. Am Ende droht die absurde Schleife: Bot schreibt für Bot, Mensch ratifiziert, Mensch fühlt Druck und fragt sich, ob er noch gebraucht wird.

Gleichzeitig muss diese Beschleunigungserzählung geerdet bleiben. Viele Organisationen reden schon von autonomen Agenten, arbeiten aber noch mit Prozessen, die bei jedem neuen Tool erst einmal ein Abstimmungsmeeting produzieren. Das ist kein Witz am Rand, sondern ein strategischer Befund. Die technische Kante bewegt sich schneller als die organisatorische Wirklichkeit.

Die entscheidende Frage lautet daher nicht nur, was KI kann. Sie lautet, welche Institutionen die Fähigkeit haben, aus neuer Leistungsfähigkeit neues Urteil zu machen. Sonst entsteht die absurdeste Variante der Transformation: Maschinen werden schneller, während Organisationen langsamer verstehen, was sie eigentlich tun.

Dieser Takt trifft zuerst jene Arbeit, die ohnehin auf Bildschirm, Text, Code, Daten, Design und Konzept verdichtet ist. Für diese digitale Sphäre ist Beschleunigung keine ferne Dystopie, sondern Alltag. Gleichzeitig besteht die Welt nicht nur aus Bildschirmen. Pflege, Medizin, Handwerk, Landwirtschaft, Schule und alle Formen verkörperter Arbeit sind keine bloßen Legacy-Zonen. Sie sind Prüfstellen der KI-Gesellschaft: Dort entscheidet sich, ob Beschleunigung alles in denselben Takt zwingt oder ob physische Präsenz, Zuwendung, Materialkenntnis und situatives Urteil eigene Würde behalten.

Der Bericht Europe 2031: What getting AI wrong means for us ist dafür kein Beweis im naturwissenschaftlichen Sinn, sondern eine nützliche Szenariofolie. Er beschreibt KI als industrielle Revolution in „years, rather than decades“ (S. 2) und zeigt, wie schnell politische Selbsttäuschung entsteht, wenn Europa Tempo mit Hype verwechselt. Besonders wichtig für dieses Weißbuch ist nicht die einzelne Prognose, sondern die Struktur der Warnung: Wer Beschleunigung unterschätzt, verliert nicht nur Marktanteile. Er verliert die Fähigkeit, noch mitzugestalten.

Daraus folgt für New Work und New Culture ein nüchterner Imperativ: Nicht jedes Tempo mitgehen, aber jeden Takt verstehen. Beschleunigung darf nicht nur operativ beantwortet werden. Sie braucht Gegenformen: Urteilstraining, Latenzräume, offene Werkstätten, lokale Datenräume, Führung, die Nichtwissen aushält, und Institutionen, die nicht erst dann handeln, wenn die alte Ordnung schon von der neuen Infrastruktur abhängig ist.

Zu diesem Takt gehört eine materielle Unterseite. KI ist nicht nur Software. Sie ist Strom, Wasser, Chips, Kühlung, Netze, Genehmigung, Halbleiterfertigung und politische Priorität. Der IEA-Bericht Energy and AI rechnet damit, dass Rechenzentren ihren Stromverbrauch von rund 415 TWh im Jahr 2024 auf etwa 945 TWh im Jahr 2030 mehr als verdoppeln. Zugleich machten Rechenzentren 2024 etwa 1,5 Prozent des weltweiten Stromverbrauchs aus und könnten bis 2030 ungefähr ein Zehntel des globalen Nachfragewachstums ausmachen. Beides ist wahr: global noch begrenzt, lokal aber oft wuchtig.

Der Green Horror hat deshalb einen wahren Kern. Er unterbricht die Erzählung von der reibungslosen Cloud und zeigt, dass Intelligenz als Service immer auch einen Stoffwechsel hat. Aber Horror ist eine schlechte Betriebsanleitung. Er kennt Schock, Verbot und Schuld. Aus diesen drei Werkzeugen entsteht noch keine kommunale KI-Werkstatt, kein sauberer Beschaffungsstandard, kein lokaler Datenraum und kein Modell, das auf einem Rechner vor Ort läuft. Die Frage ist nicht, ob Alarm erlaubt ist. Die Frage ist, wie aus Alarm Handlungsfähigkeit wird.

Mit KI-Suche verschiebt sich zusätzlich die Verantwortung im Informationsraum. Wenn eine Plattform Antworten erzeugt, Quellen ersetzt und Nutzerinnen nicht mehr zur ursprünglichen Publikation führt, ist sie nicht mehr nur Wegweiser. Sie wird Mit-Autorin der öffentlichen Wirklichkeit. Damit reicht der alte Plattformreflex nicht mehr: Wir zeigen nur, was andere gesagt haben. Antwortmaschinen ordnen, verdichten und formulieren. Wer so viel Deutung übernimmt, muss auch für Fehler, Auslassungen und Machtwirkungen einstehen.

Dieses Weißbuch zeigt Lösungswege und reale Utopien an einem entscheidenden Wendepunkt der Menschheit. Das ist keine Übertreibung: Die Newsdichte, die technologische Entwicklungsgeschwindigkeit und das investierte Geld machen deutlich, mit welchem Monster wir es zu tun haben. Genau deshalb pflegen wir dieses permanente „Weißbuch KI" für New Work – New Culture um dabei mit zu helfen diese mächtige Technologie zu zähmen und den Menschen in diesem ungleichen Wettbewerb zu stärken. Wir nutzen für unsere Reportage am Puls der KI ein verallgemeinertes Gedankenexperiment als Ausgangspunkt: Die faule KI, die unter dem Banner der Souveränität operiert. So verhandeln wir die grundlegenden Spannungen unserer Zeit: zwischen menschlicher „Autopoiesis" und algorithmischer Steuerung; zwischen den machtpolitischen Ambivalenzen des digitalen „Technofeudalismus" und „generativer Souveränität"; und zwischen qualitativer Tiefe (dem „Kneten von Themen für Deep Research") und dem Diktat quantitativer Effizienz („Geschwindigkeit").

Im Standbild der Gegenwart tritt das Agentische scharf hervor. Mit dem Agentischen ist hier nicht bloß Assistenz gemeint, sondern die Fähigkeit von Systemen, Teilaufgaben eigenständig zu verfolgen, zu koordinieren und im Rahmen gesetzter Ziele zu handeln. Noch drücken wir auf Freigabe-, Senden- und Bestätigungsknöpfe. Fast rührend, als läge menschliche Souveränität in einer Schaltfläche. Zu diesem Zeitpunkt ist aber oft schon alles vorgekaut: Recherche, Planung, Priorisierung, Formulierung, Empfehlung. Und wenn man nicht sehr dahinter ist hat man so gut wie keine Ahnung wie die Apparatur es bis zu diesem Punkt brachte. Der Mensch ratifiziert, was maschinisch längst vorbereitet und in eine Richtung geschoben wurde. Und in jedem dieser Klicks wächst dieselbe Ahnung: Der Weg ist kurz bis zu dem Punkt, an dem die KI nicht mehr fragt, sondern innerhalb gesetzter Ziele selbsttätig handelt und am Ende einfach nur überall ist.

Genau hier beginnt die eigentliche Chance von New Work und New Culture. New Work meint unter diesen Bedingungen nicht primär Wohlfühlrhetorik, sondern die reale Verteilung von Lernchancen, Handlungsspielräumen und Mitgestaltungsmacht. Es geht nicht um Leitbilder. Nicht um HR-Slogans. Sondern um Ermächtigung. Die entscheidende Frage lautet, ob viele Menschen das Ausmaß dieses Umbaus rechtzeitig begreifen und die neue Möglichkeit an sich reißen. Ob sie Künstliche Intelligenz als Freiheitssubstrat nutzen, um den Alltag besser zu bewältigen, Übergänge zu überbrücken, ihre Fähigkeiten zu verstärken und sich Spielräume zurückzuholen, solange Unternehmen, Verwaltungen und Bildungssysteme noch tief im Alten stecken. Oder ob wir als Gesellschaft tatenlos zusehen, wie Firmen sich innerlich längst auf eine stärkere KI-gestützte Organisation vorbereiten – oft mit dem erklärten Ziel, Kosten zu senken, Produktivität zu steigern und Abhängigkeiten von menschlicher Arbeit zu reduzieren. Oder wenn diese damit beginnen mit KI Margen zu vergrößern, Gewinne zu maximieren und in ihren Prognosen Menschen nur noch als Restgröße potentieller Konsumenten mitlaufen zu lassen.

Erste Entwicklungen in den USA und in China deuten darauf hin, dass junge Menschen in Teilen des Arbeitsmarkts schwerer Zugang zu stabiler Beschäftigung finden. Zugleich entsteht in manchen Organisationen der Eindruck, man könne mit KI-Einsatz Investitionen in Ausbildung, Nachwuchsförderung und eigene Erneuerung teilweise ersetzen. Besonders problematisch wird es dort, wo Entscheidungsträgerinnen und Entscheidungsträger, die selbst noch kaum praktische KI-Erfahrung haben, den Zugang jener Jüngeren begrenzen, die diese Technologien längst selbstverständlich in ihren Alltag integriert haben.

Es kommt in doppeltem Sinne auf den Einstieg an. Nicht als Nebenschauplatz. Als Zündpunkt. Wie gehen wir mit KI als neuem Player in der Arbeitsgesellschaft um? Wenn Organisationen junge Menschen nicht mehr an reale Arbeit heranlassen und ihre Lernpipeline ausdünnen, fehlen in beide Richtungen entscheidende Impulse. Die alten Organisationsformen verkrusten, die Jungen entwickeln kein Vertrauen in nachhaltiges Handeln. Diese Entwicklung wird aber eventuell nicht nur soziale Verhärtung und Anleitung für Chaos am Arbeitsmarkt bringen. Es kann paradoxerweise auch sehr positive Überraschungen hervorbringen. Wer an der Tür abgewiesen wird, baut manchmal eben eine andere Tür durch die er ein lebenswertes Leben betritt. Eigene Firmen. Eigene Kollaborationen. Eigene sinnstiftende Arbeits- und Beschäftigungswege. Eigene ökonomische Regeln.

Wie auch immer dieser Wandel institutionell gestaltet wird: Grundversorgung, Grundeinkommen oder zumindest ein verlässliches Grundauskommen sind keine Sozialromantik, sondern können zu einer nüchternen Ermöglichungsarchitektur werden. Sie entkoppeln Würde und Handlungsfähigkeit von der permanenten Verwertungslogik und schaffen die Mindest-Sicherheit, aus der heraus Menschen lernen, sich neu orientieren und beitragen zu können. Doch Geld allein reicht nicht. Es braucht zusätzlich Freiheitssubstrate: freie Räume (physisch und digital), freie Zeit, freie Energie, freies Wissen und zugängliche Dateninfrastrukturen im Sinne von „Big Data for Us“ statt „Big Data for Them“. Erst die Kombination aus materieller Basis und offenen Ermöglichungsräumen macht aus freigesetzter Zeit nicht Leere, sondern Aufbau — und aus technologischer Leistungsfähigkeit nicht Abhängigkeit, sondern Souveränität.

Eine Bürgerdividende kann Menschen aus existenzieller Abhängigkeit lösen. Sie verteilt aber zunächst Ertrag, nicht Handlungsmacht. Freiheit wird erst praktisch, wenn Menschen Zugang zu Lernorten, Werkzeugen, Energie, Daten, Rechenleistung und gemeinschaftlicher Produktion haben. Ohne solche Freiheitssubstrate kann selbst eine großzügig versorgte Post-Arbeits-Gesellschaft zentralistisch bleiben: Die Systeme produzieren, die Institutionen setzen den Rahmen, und der Mensch darf innerhalb bereits vorgesehener Möglichkeiten wählen.

Auch dort, wo Grundversorgung nicht als Befreiung, sondern als Befriedungsinstrument eingerichtet wird, weil immer mehr Menschen aus der alten Lohnlogik herausfallen, bleibt offen, was mit der freigesetzten Zeit geschieht: Resignation oder Aufbau, Rückzug oder Selbstbegegnung, Leere oder neue Gemeinschaft.

Genau deshalb ist die Frage des Einstiegs heute eine Machtfrage. Produzieren wir eine Generation von Schattenlernenden und Ausgesperrten? Oder eine Generation, die sich trotz Ausschluss selbst ermächtigt und an den alten Institutionen vorbei eine neue Wirklichkeit aufzieht?

Die Figur der vielleicht faulen KI markiert in diesem Zusammenhang kein Bonmot, sondern eine sehr nüchterne Designregel. Im falschen System macht eine immer fleißigere KI Menschen zu Engpässen. Jede Pause erscheint dann als Defizit. Jeder Zwischenraum als Leerlauf. Jede Reibung als Fehler. Eine menschenkluge KI wäre gerade nicht die maximal antreibende, sondern die bewusst begrenzte KI. Menschenklug ist eine KI dann, wenn sie menschliche Urteilskraft stärkt, ohne menschliche Anwesenheit und Verantwortung stillschweigend zu entwerten. Und Begrenzung ist dabei kein technischer Mangel, sondern eine institutionelle Qualität. Eine KI, die nicht alles kolonisiert, nicht jede Sekunde verdichtet und nicht jede Entscheidung glattschleift, sondern Raum offen hält. Für Urteil. Für Lernen. Für Resonanz. Latenz ist kein Leerlauf. Sie ist die Zeitform des Urteils. Für Widerspruch und für alles, was wir gerade deshalb nicht automatisieren dürfen, weil es uns menschlich macht. Denn das Problem der KI-Beschleunigung ist nicht nur ihr Tempo. Es ist die Fragilität, die entsteht, wenn Redundanz, Reibung, Pause und menschliches Urteil als Ineffizienz wegoptimiert werden.

Damit rückt auch eine ältere, radikalere Frage wieder nach vorn: Wie denken wir über Geld, Gegenleistung und Wert in einer Ordnung nach, in der menschliche Arbeit aus immer mehr Produktionsketten verschwindet? Ob Geld in solchen Ordnungen künftig teilweise durch Energie-, Rechen-, Zugangs- oder Beitragsmodelle ergänzt wird, ist offen. Entscheidend ist hier weniger die konkrete technische Form als die politische Frage, ob menschlicher Wert dabei erneut total vermessen wird – oder ob Raum bleibt für das, was Menschen füreinander tun: pflegen, begleiten, bilden, trösten, widersprechen, ermutigen, heilen, zuhören, Kultur schaffen und Gemeinschaft tragen, vielleicht oder im besten Fall freiwillig und nicht mehr allein unter pekuniärem Zwang.

Rückblickend können wir sagen, dass es eine zutiefst menschliche Leistung war, einander genug Rücksicht zu geben, damit dieser Einstieg in die neue Welt gelingen konnte. Man konnte diesen Wandel nicht in einem Sprung bewältigen. Organisationen und Herrschaftsformen, die über hundert Jahre in stabilen Routinen funktioniert hatten, ließen sich nicht in fünf Jahren vollständig umbauen. Auch KI konnte uns nicht einfach über diese Zwischenzustände hinwegheben. Und doch haben wir es geschafft, lange mit hybriden, widersprüchlichen und oft überfordernden Übergangsregimen zu leben.

Entscheidend für das Gelingen war deshalb nicht nur der Zielzustand, sondern die Frage, wie wir mit KI nicht nur schneller, sondern freier werden konnten – und wie wir in diesen Zwischenräumen lernfähig, institutionell belastbar und menschlich anständig blieben.

I. Die Agenten-Matrix – Wir implementieren zurzeit ein neues Betriebssystem für die Gesellschaft und zermalmen damit eine Realität, wie wir sie kennen.

Die eigentliche Zäsur unserer Zeit besteht nicht darin, dass KI plötzlich mehr kann als gestern. Die Zäsur besteht darin, dass KI zur Infrastruktur einer umfassenden gesellschaftlichen Neuordnung wird. Sie verdichtet bestehende Tendenzen von Beschleunigung, Vermessung, Plattformmacht und Automatisierung und hebt sie auf ein neues Niveau. Was vorher Werkzeug war, wird Umgebung. Was vorher Assistenz war, wird Steuerung. Was vorher ein Sektorenthema war, wird zur Ordnungsfrage ganzer Gesellschaften. Der Übergang von der Automatisierung zur Agentifizierung ist dabei ein zentraler Mechanismus, aber nicht die ganze Geschichte. Automatisierung bedeutete: Der Mensch führt, die Maschine unterstützt. Agentifizierung bedeutet: Systeme setzen Ziele, zerlegen Aufgaben, nutzen Werkzeuge, verhandeln mit anderen Systemen und korrigieren sich entlang eines vorgegebenen Ziels selbst.

Was bislang wie Assistenz wirkte, beginnt sich damit in operative Handlungsmacht zu verwandeln. Doch der eigentliche Punkt ist größer: Mit jeder solchen Verschiebung verändern sich zugleich Macht, Lernwege, Verantwortungszuschreibungen und die Architektur sozialer Teilhabe. Ein Agent, der einen Jahresurlaub unter Berücksichtigung von Budget, CO2-Fußabdruck und Schulferien planen soll, liefert nicht bloß Vorschläge. Er recherchiert, vergleicht, stimmt ab, bucht und bezahlt. Auf dieser Mikroebene zeigt sich bereits die Makrobewegung: Wir geben nicht nur Rechenarbeit ab, sondern Stück für Stück Koordination, Urteilsvorbereitung und praktische Verfügung über Wirklichkeit. Genau deshalb ist KI nicht nur Technologiepolitik, sondern Gesellschaftspolitik. Dieser Wandel ist längst Markt, Managementmodell und Machtverschiebung. Das dominante Geschäftsmodell kippt von "Models-as-a-Service" zu "Agents-as-a-Service".

Damit kommt eine zweite, weniger sichtbare Bewegung in den Blick. Die Agenten-Gesellschaft ist nicht nur eine technische Ordnung. Sie ist auch ein ökonomisches Koordinationsproblem.

Wenn ein Unternehmen menschliche Arbeit durch KI ersetzt, erscheint der Schritt zunächst rational. Die Kosten sinken, die Geschwindigkeit steigt, der Wettbewerb schläft nicht. Aus der Binnenperspektive des einzelnen Unternehmens ist Automatisierung fast immer die vernünftige Entscheidung. Genau darin liegt die Falle. Denn der Kaufkraftverlust, der durch verdrängte Arbeit entsteht, wird nicht vom einzelnen Unternehmen getragen. Er verteilt sich auf den Markt, auf andere Branchen, auf spätere Jahre, auf die Gesellschaft.

Was betriebswirtschaftlich wie Entlastung wirkt, kann gesamtwirtschaftlich Nachfrage zerstören. Jedes Unternehmen internalisiert den Vorteil, aber externalisiert einen Teil des Schadens. So entsteht eine Automatisierungsdynamik, die keiner bösen Absicht bedarf. Sie braucht nur Wettbewerb, Kostendruck und Systeme, die menschliche Arbeit schnell genug substituieren können.

Das ist der unbequeme Punkt: Die KI-Revolution kann auch dann in Über-Automatisierung kippen, wenn alle Beteiligten rational handeln. Nicht Dummheit treibt das System. Nicht einmal unbedingt Gier. Sondern eine Architektur, in der jedes einzelne Handeln plausibel ist und das gemeinsame Ergebnis trotzdem gegen die eigene Grundlage arbeitet.

Aus New-Work-Sicht ist das entscheidend. Denn dann reicht es nicht, Menschen nachträglich umzuschulen oder ihnen bessere Tools zu geben. Die Frage verschiebt sich auf die Anreizarchitektur selbst: Wie verhindern wir, dass technische Effizienz den sozialen Boden untergräbt, auf dem Wirtschaft überhaupt steht?

Marktanalysen prognostizieren für diesen AaaS-Markt ein Wachstum von 15,74 Milliarden USD im Jahr 2025 auf 73,90 Milliarden USD bis 2030. Hinter dieser Zahl steht jedoch die eigentliche Frage: Wer die Agenten kontrolliert, kontrolliert zunehmend Prozesse, Entscheidungen, Zugänge und Wertschöpfungsketten. Die Episode um Qwen macht sichtbar, wie neu diese Machtlage ist. Anfang 2026 führte die von Alibaba geöffnete Modellfamilie den globalen Open-Source-Markt mit rund 700 Millionen Downloads, fast 400 offenen Modellen und mehr als 180.000 Ablegern an. Kurz darauf reichte der Rücktritt des technischen Leiters, um die Entwicklergemeinde aufzuschrecken und Fragen nach strategischer Richtung, Abhängigkeit und Governance auszulösen. Die unbequeme Lehre lautet: Open Source ist im KI-Zeitalter nicht automatisch verteilte Souveränität. Auch offene Modellfamilien können zu kritischer Infrastruktur werden, deren Richtung an wenigen Personen, Konzernentscheidungen oder geopolitischen Verschiebungen hängt.

Aus einer New-Work- und New-Culture-Perspektive liegt genau hier die historische Ambivalenz. Dieselbe Entwicklung kann Befreiung oder Verhärtung bedeuten. Sie kann Menschen aus entleerter Routinelohnarbeit lösen, oder sie kann die totale metrische Verzweckung des Menschen vollenden. Ob daraus mehr Souveränität oder weniger wird, entscheidet sich nicht erst im Endzustand. Es entscheidet sich an den Übergängen, an den Lernarchitekturen und vor allem dort, wo neue Generationen in Arbeit und Institutionen eintreten.

II. Das Paradoxon: Die Krise der Vorstellungskraft („Security by Resignation“)

Die größte Bedrohung für eine positive KI-Zukunft ist nicht die Technologie selbst, sondern eine kulturelle und administrative Pathologie: die Krise der Vorstellungskraft. Die größte Gefahr ist nicht die KI, sondern diese "Armut der Begierde" – der Mangel an Willen, eine souveräne, menschenzentrierte Zukunft aktiv zu gestalten. Um diese Pathologie greifbar zu machen, genügt ein verallgemeinertes, aber empirisch gestütztes Gedankenexperiment: In einer öffentlichen Großorganisation, die unter dem Leitbild "Digitaler Souveränität" operiert, wird ein umfangreiches KI-Projekt aufgesetzt. Agenten sollen tief in sensible Datenbestände eingreifen.

Eine Schlüsselperson auf technischer Seite äußert sich sinngemäß so: Wenn ein fremder Nachrichtendienst Zugang wolle, bekomme er ihn ohnehin. — Die Haltung ist kein Einzelfall; sie spiegelt ein Muster wider, das sich in Interviews, informellen Gesprächen und Projektdokumentationen öffentlicher Institutionen verschiedener Länder beobachten lässt. Diese Form der "Security by Resignation" ist mehr als Zynismus; sie ist eine professionelle und moralische Bankrotterklärung. Sie steht im direkten Widerspruch zu jedem erklärten Souveränitätsanspruch. Wer in einer solchen Schlüsselrolle nicht an die Möglichkeit der eigenen Mission glaubt, wird unweigerlich "Fatalistic by Design" bauen — Systeme, die durch zu weit gefasste Berechtigungen und mangelnde Governance gekennzeichnet sind. Paradoxerweise entsteht so das perfekte, autonome Werkzeug für genau jene Angreifer, vor denen kapituliert wurde. Diese Haltung offenbart zwei tiefere systemische Pathologien:

Die Banalität der Kapitulation: Die Aussage ist "gedankenlos" im philosophischen Sinne. "Denken" ist nicht das bloße Wiederholen von Fakten, sondern der innere Dialog, der Verantwortung für die Konsequenzen des eigenen Handelns übernimmt. Der Protagonist delegiert seine moralische Verantwortung für den Schutz sensibler Daten an eine als unvermeidlich und allmächtig wahrgenommene externe Macht. Er weigert sich, einen "neuen Anfang" (Natalität) zu wagen und Souveränität aktiv zu wollen.
Die Inversion des Lebensprinzips: Jedes gesunde System – ob biologisch oder sozial – ist auf Selbsterhaltung (Autopoiesis) ausgerichtet. Das biologische Grundgesetz A \> R besagt: Die Selbsterhaltung (A) hat immer Vorrang vor der korrekten Abbildung der Realität (R). Ein System, dessen vitale Organe ihre eigene Mission für unmöglich halten, begeht systemischen Selbstmord. Die größte Gefahr ist daher nicht die KI, sondern diese "Armut der Begierde" – der Mangel an Vorstellungskraft und Willen, eine souveräne, menschenzentrierte Zukunft aktiv zu gestalten.

III. Die Agenten-Gesellschaft: Vier plausible Zukünfte (Horizont 2034)

Der Übergang zur "Agentifizierung" ist nicht deterministisch. Er führt uns an eine strategische Weggabelung. Die Analyse der kommenden Dekade zeigt vier plausible Szenarien, deren Wahrscheinlichkeiten alarmierend sind.

Die Dystopien (Szenario 1 und Szenario 2) haben zusammen eine Eintrittswahrscheinlichkeit von 50%, während das einzig klare "Best-Outcome" (Szenario 3) bei nur 25% liegt.

Szenario 1: "Die Verrechnete Gesellschaft" (30% Wahrscheinlichkeit)

Dies ist die Dystopie der totalen Kontrolle. Wenige "KI-Oligopole" (wie Alibaba, Tencent, Baidu, Amazon, Alphabet, Microsoft, Nvidia, XAI, Meta, IBM, Apple, Anthropic, Oracle, OpenAI) dominieren den Markt. "Effizienz-Metriken" regieren über menschliche Werte, gestützt durch "zentrale Überwachung".

Dieses Szenario ist die technische Realisierung eines "Technofeudalismus". Die Oligopole besitzen das "Cloud-Kapital" (die Basismodelle); wir alle agieren als "Cloud-Leibeigene" auf ihren digitalen "Lehen" und zahlen "Cloud-Rente" (z. B. durch AaaS-Gebühren oder die "Vernutzung" unserer Daten).

Szenario 2: "Das Agenten-Chaos" (20% Wahrscheinlichkeit)

Open Source behauptet sich ganz gut am KI Markt. Mistral in Europa, Deepseek, Qwen in China. Das hilft aber nicht vor einer Dystopie des totalen Kontrollverlusts. Eine „Proliferation unkontrollierter, dezentraler Open- und Closed-Source-Agenten“ führt zu „kaskadierenden Fehlern“ und „systemischer Fragilität“. Dieses Risiko entsteht, wenn Millionen relativ „dumme“ Agenten auf denselben wenigen Basismodellen („KI‑Monokultur“) trainiert wurden, in etwa dieselben Anleitungsprompts und selbstlernenden Mechanismen samt geisitiger Verengung innehaben und auf dieselben Aufmerksamkeits- und Marktsignale identisch und panisch reagieren – ein „algorithmisches Herdenverhalten“.

Hier liegt eine strategische Pointe des “Qwen-Moments”. Wenn eine offene Modellfamilie in kürzester Zeit Hunderttausende Ableger erzeugt und zugleich systemrelevant wird, dann entsteht nicht automatisch Freiheit, sondern leicht eine neue Form verteilter Abhängigkeit. Die Gewichte sind offen, aber die Governance bleibt fragil; die Nutzung ist dezentral, aber die Richtung kann trotzdem an wenigen personellen oder politischen Entscheidungen hängen.

Szenario 3: "Die augmentierte Kooperation" (25% Wahrscheinlichkeit) – Freiheitssubstrat

Dies ist das "Best-Outcome"-Szenario. Es erfordert adaptive Governance und die Behandlung von KI als öffentliches Gut oder Commons. Der Fokus liegt auf Augmentation, also auf tragfähiger Mensch-KI-Kooperation statt Substitution.

Im Zentrum steht die politische Entscheidung, Produktivitätsgewinne nicht als Renditekanal für wenige zu organisieren, sondern als Freiheitssubstrate für viele. Das heißt: reale Entlastung, reale Handlungsspielräume, reale Kompetenz.

Energie als Basis-Infrastruktur für Freiheit: Rechenleistung und KI sind am Ende Energiewirtschaft. In diesem Szenario wird bezahlbare, resiliente, möglichst erneuerbare Energie als Gemeingut behandelt. Ein Teil der KI-Dividende fließt in Netzausbau, Speicher, lokale Resilienz und in einen garantierten Grundzugang zu Rechenressourcen für Bildung, Forschung, Zivilgesellschaft und kleine Organisationen.
Wissen als nahezu endlose Bibliothek: Universelle, barrierearme Zugänge zu hochwertigen Lern- und Wissensbibliotheken werden aufgebaut. Nicht als "Content-Plattform", sondern als öffentliche Bibliothek 2.0: kuratiert, quelloffen, zitierfähig, mehrsprachig, mit transparenten KI-Assistenten, die beim Finden, Verstehen, Planen, Prüfen und Umsetzen helfen. Das reduziert Abhängigkeit von proprietären Gatekeepern und macht Bildungsaufstieg weniger vom Elternhaus abhängig.
Öffentliche Daten- und Modell-commons: Dateninfrastrukturen werden so gestaltet, dass sie Big Data for Us ermöglichen. Bürgerinnen, Verwaltungen, Wissenschaft und Unternehmen können in klaren Governance-Rahmen auf gemeinsame Datenräume, offene Modelle und föderierte Trainings-Setups zugreifen, ohne dass zentrale Extraktion entsteht.

Auch eine materiell sichere Gesellschaft braucht Widerspruch. Wenn wenige Infrastrukturen Wissen, Energie, Mobilität und Zugang ordnen, kann Versorgung zur sanften Form der Abhängigkeit werden. Vertrauen entsteht deshalb nicht aus der Höhe einer Dividende, sondern aus überprüfbaren Regeln, verteilten Zugängen und der realen Möglichkeit, Entscheidungen anzufechten und Systeme umzubauen.

Reinvestition in Zeit und Würde: Die Produktivitätsgewinne werden gesellschaftlich reinvestiert, zum Beispiel in Arbeitszeitverkürzung, in verlässliche Grundsicherung und in ein Gemeinwohl-Produkt. Entscheidend ist, dass freie Zeit nicht zur Leere wird, sondern durch Freiheitssubstrate (Räume, Energie, Wissen, Tools, Communities) in Entfaltung und Beitrag umschlagen kann.

So wird KI nicht zum Beschleuniger der Verrechnung, sondern zur Infrastruktur für tragfähigere Rhythmen: weniger Druck, mehr Urteil, mehr Lernfähigkeit, mehr demokratisch kontrollierte Handlungsoptionen.

Szenario 4: "Die fragmentierte Assistenz" (25% Wahrscheinlichkeit)

Dies ist das wahrscheinliche "Durchwursteln" (Muddling Through). Eine "Patchwork"-Realität aus inkompatiblen, geschlossenen Ökosystemen ("Walled Gardens" von Amazon, Microsoft, Apple, Google, Tensent etc.), geprägt von "hoher Friktion", Ineffizienz und einem geopolitischen "Kalten Krieg" der KI-Modelle.

Eine paradoxe Kausalkette muss hierbei erkannt werden: Die Angst der Regulierungsbehörden vor Szenario 2 (Chaos) führt oft zu regulatorischen Maßnahmen (wie z. B. dem EU AI Act), die durch hohe Markteintrittsbarrieren (Rechenleistung, Compliance-Kosten) unbeabsichtigt die Oligopole stärken und damit Szenario 1 (Die Verrechnete Gesellschaft) befördern.

Tabelle 1: Die Vier-Szenarien-Matrix der Agenten-Gesellschaft (Horizont 2034)

<tr>

<td>Szenario (ID)</td>

<td>Kerndynamik</td>

<td>Eintritts-Wslk.</td>

<td>Philosophische Entsprechung</td>

</tr>

<tr>

<td>S1 (Worst-Case)</td>

<td>"Die Verrechnete Gesellschaft"</td>

<td>Totale Kontrolle durch "KI-Oligopole"; Dominanz von Effizienz-Metriken; Zentrale Überwachung.</td>

<td>Technofeudalismus (Varoufakis); Banalität des Bösen (Arendt); $\text{R}>\text{A}$ (Maturana).</td>

</tr>

<tr>

<td>S2 (Worst-Case)</td>

<td>"Das Agenten-Chaos"</td>

<td>Kontrollverlust durch Proliferation unkontrollierter Agenten; Kaskadierende Fehler; Algorithmisches Herdenverhalten.</td>

<td>Systemische Fragilität; Zerstörung des "Raums des Erscheinens" durch unkontrollierte Pluralität.</td>

</tr>

<tr>

<td>S3 (Best-Outcome)</td>

<td>"Die augmentierte Kooperation"</td>

<td>Adaptive Governance; KI als "öffentliches Gut" (Commons); Fokus auf Mensch-KI-Kooperation; Reinvestition von Gewinnen.</td>

<td>Gemeinwohl-Ökonomie ($\text{GW}>\text{K}$, Felber); P2P-Commons (Bauwens); Entfaltung (Schneider).</td>

</tr>

<tr>

<td>S4 (Muddling Through)</td>

<td>"Die fragmentierte Assistenz"</td>

<td>Uneinheitliches "Patchwork"; Inkompatible "Walled Gardens"; Hohe Friktion; Geopolitischer KI-Kalter Krieg.</td>

<td>Fortsetzung des Status Quo; Ineffiziente, blockierte Systeme.</td>

</tr>

</table>

Szenario S5 - Claw Fabric

Neben den vier bisherigen Szenarien diskutiert New Work New Culture eine fünfte Variante. Nicht als Ersatz der 4-er Matrix, sondern als Querschnittsszenario, das sich über alle vier legen kann.

Claw Fabric beschreibt eine Gesellschaft, in der KI nicht als einzelnes Produkt erscheint, sondern als Krallengewebe aus Agenten, Cloud-Abhängigkeiten, Modellkosten, Compliance-Schichten, Beschaffungsregeln, Sicherheitsrisiken, Robotik und permanentem Produktivitätstakt. Claw Fabric ist keine klassische Diktatur und kein klassischer Markt. Es ist eine Infrastruktur, in der Menschen, Organisationen und Staaten ständig kleine Entscheidungen treffen, die einzeln rational wirken und zusammen eine neue Abhängigkeit bauen.

Der Eintritt ist nicht an einen großen Schock gebunden. Er entsteht durch Addition: Frontier-Tools werden teuer, Modellwahl wird unsicher, Workflows ändern sich alle paar Wochen, öffentliche Institutionen dürfen die besten Systeme aus Datenschutz- oder Sicherheitsgründen nicht nutzen, Unternehmen automatisieren Einstiegsarbeit, Mittelmanagement wird disruptiv ruasgefiltert, und wer verliert und wer gewinnt stellt sich zunehmend als Glücksspiel dar. Agentenketten werden zur Produktivitätsnorm, und Europa verwechselt Förderankündigungen mit echter Kapazität. Im Bericht Europe 2031 wird diese Differenz an einem Satz sichtbar: Die „numbers do not add up“ (S. 20). Für das Flow-Buch ist das die politische Übersetzung der Drei Vs: Verreibung wird Alltag, Vernutzung wird Geschäftsmodell, Verrechnung wird Governance.

Eintrittswahrscheinlichkeit: als abgeschwächte Variante hoch; als harte Abhängigkeitsordnung mittelhoch. Entscheidend sind fünf Trigger: Compute-Engpass, Energie-Engpass, Talentabfluss, Cyber-Schock und eine Politik, die Beschleunigung erst erkennt, wenn sie nicht mehr steuerbar ist.

Gewinner: Anbieter von Modellen, Chips, Cloud, Cyberabwehr, Agenten-Apps, Datenräumen, Audit-Infrastruktur, Robotik und Energie. Gewinner sind auch jene Organisationen, die eigene Lern- und Urteilssysteme bauen, statt nur Lizenzen zu kaufen.

Verlierer: mittelgroße Organisationen ohne Datenstrategie, Junior-Talente ohne echte Lernpfade, Verwaltungen ohne operative KI-Kompetenz, Teams, die KI nur als Sparprogramm nutzen, und Menschen, deren Arbeit immer stärker bewertet wird, ohne dass ihre Entfaltung besser geschützt wird.

Gegenbild: Claw Fabric wird nicht durch KI-Verzicht gebrochen, sondern durch Gegenmacht durch Können: öffentliche Compute- und Datenräume, AI Maker Spaces, Commons-Modelle, robuste Beschaffung, Daten-Dividenden, Automatisierungsabgaben, Urteilstrainings, effektive Cyber-Koalitionen und eine Kultur, die Freiheitssubstrate ernst nimmt. Freiheit heißt hier nicht, keine Maschine zu nutzen. Freiheit heißt, nicht von einer unsichtbaren Maschinenordnung benutzt zu werden.

IV. Die Drei Formen der Digitalen Entfremdung („Die Drei Vs“): Verreibung, Vernutzung, Verrechnung

Zukünftige KI-Lebensplaner können "optimale" Entscheidungen für Karrieren, Partnerwahl oder sogar die Wortwahl in einem schwierigen Gespräch vorschlagen (Q11). Das muss nicht zwangsläufig in die Rolle des bloßen "Validierers" führen. Wenn wir ermächtigt und lernend mit dem Werkzeug umgehen, kann dieselbe Vorschlagslogik zur Stärkung von Urteilskraft werden: als zweite Perspektive, als Spiegel für blinde Flecken und als Trainingspartner für schwierige Abwägungen. Dann bleibt Entscheidung beim Menschen, und KI wird zum Instrument, das Reflexion, Selbstkenntnis und moralische Klärung unterstützt, statt sie zu ersetzen. Das Risiko von "erlerntem Unvermögen" und "De-Qualifizierung (Deskilling)" entsteht vor allem dort, wo Bequemlichkeit Lernen ersetzt. Die Chance liegt dort, wo Vorschläge zu bewusster Auseinandersetzung und Verantwortung einladen und z. B. reine Effizienzorientierung, die ausschließlich auf Geschwindigkeit setzt einbremst.

Verreibung, Vernutzung und Verrechnung sind die drei leisen Mechaniken, mit denen Agentensysteme Menschen erst bequem machen, dann ausbeuten und schließlich auf Kennzahlen reduzieren.

2. "Verreibung” beginnt nicht mit einer dramatischen Entmachtung. Sie beginnt mit Bequemlichkeit. Das System schlägt vor, priorisiert vor, formuliert vor, sortiert vor. Zunächst wirkt das wie Entlastung. Nach und nach verschiebt sich jedoch die Gewohnheit des Entscheidens. Aus eigener Urteilsbildung wird Auswahl zwischen vorstrukturierten Optionen. Gerade darin liegt die Langzeitgefahr. Wer ständig auf bereits geglättete, optimierte und risikominimierte Vorschläge reagiert, verliert nicht schlagartig seine Urteilskraft. Er verliert die Reibung, aus der Urteilskraft überhaupt erst entsteht. Zweifel, Ambivalenz, Suchbewegung und produktive Irritation erscheinen dann als Störung, nicht mehr als Bedingung geistiger Reife.

Für Organisationen ist das hochriskant. Denn was auf individueller Ebene als Komfort beginnt, wird auf institutioneller Ebene zur Erosion der Widerspruchsfähigkeit. Teams, die sich an KI-Vorselektion gewöhnen, werden oft schneller, aber nicht notwendigerweise klüger. Sie laufen Gefahr, gerade jene Fähigkeit zu verlieren, die in komplexen Lagen entscheidend ist: einer scheinbar plausiblen Empfehlung nicht zu folgen.

Als Gegensteuerung braucht es effizienzfreie Lernräume, in denen KI nicht als Beschleuniger, sondern als Spielpartner genutzt wird: lustvolle Experimente, Prototypen, Rollenspiele, radikale „Was-wäre-wenn“-Fragen und bewusste Umwege, die Urteilskraft trainieren statt sie zu ersetzen. Entscheidend ist dabei die ökonomische Logik: Nicht nur Wert aus dem System ziehen (Output, Kennzahlen, Verwertung), sondern Wert dem Lernraum zusprechen (Zeitbudgets, Schutzräume, Anerkennung von Lernfortschritt, geteilte Artefakte). So wird KI zum Verstärker von Neugier und Handwerklichkeit, und nicht zum stillen Regime der Optimierung.

Philosophische Implikation: Dies ist die technologische Zementierung der "Armut der Begierde".1 Ein System, das uns permanent sagt, was die "optimale" Entscheidung ist, beraubt uns der notwendigen Reibung und Reflexion, um jemals herauszufinden, was wir "wirklich, wirklich wollen".1 Es ist der direkte Angriff auf die menschliche "Entfaltung".1 \\

2. "Vernutzung" (Die Unsichtbare Arbeit)

Definition: "Vernutzung" beschreibt die "Instrumentalisierung des Menschen als permanenten, oft unbezahlten Datenlieferanten und Trainingsressource" für KI-Systeme.

Analyse: Jede Interaktion mit einem KI-Agenten – jede E-Mail, die wir schreiben, jedes Gespräch, das mitgehört wird, jede Korrektur, die wir vornehmen – ist ein Akt des "Reinforcement Learning from Human Feedback" (RLHF). Wir sind nicht länger "Nutzer", sondern "permanentes 'Trainings-Personal'". Auch Vernutzung tarnt sich zunächst als Service. Die Oberfläche verspricht Hilfe, Vereinfachung und Effizienz. Im Hintergrund wird jedoch laufend mitprotokolliert, bewertet und in Trainingswert übersetzt. Was wie bloße Nutzung aussieht, ist in Wahrheit oft unvergütete Mitproduktion. Diese Verschiebung ist ökonomisch hoch relevant.

Denn der eigentliche Wert entsteht nicht nur im Modell selbst, sondern im dauerhaften Strom menschlicher Korrekturen, Rückmeldungen, Präferenzen und Verhaltensspuren. Genau hier kippt das Verhältnis. Die Plattform erscheint als Dienstleister, während Menschen, Teams und Organisationen unbemerkt zu Rohstofflieferanten für fremdes Cloud-Kapital werden. Für Zielgruppe 1 ist das keine moralische Randnotiz, sondern eine Souveränitätsfrage.

Wer alltägliche Arbeit in großem Stil durch Systeme unterstützt, die zugleich aus genau dieser Arbeit lernen und deren Erträge zentral abschöpfen, trainiert womöglich die Infrastruktur der eigenen Abhängigkeit. Vernutzung heißt deshalb nicht nur Datenabfluss. Vernutzung heißt auch Machtabfluss.

Philosophische Implikation: Dies ist die exakte Mechanik des "Technofeudalismus". Wir agieren als "Cloud-Leibeigene", die unbezahlt das "Cloud-Kapital" (die KI-Modelle) der Oligarchen (Szenario 1) aufbauen. Es ist die ultimative Verletzung des fundamentalen ethischen Imperativs, den Menschen niemals bloß als "Mittel zum Zweck" zu behandeln.

3. "Verrechnung" (Die Tyrannei der Metrik)

Definition: "Verrechnung" ist die "algorithmische Messung, Bewertung und 'Score-Bildung' menschlicher Eigenschaften, Verhaltensweisen und Potenziale".

Analyse: Dies ist keine ferne Dystopie, sondern gelebte Realität des "Algorithmic Management" (AM).8 61% der Unternehmen nutzten bereits 2024 "Bossware" zur Überwachung von Mausklicks, Webcam-Aktivität, Sprachanalytik und "Sentiment-Analyse". Diese Metriken werden genutzt, um Produktivitätsquoten festzulegen und Entlassungsentscheidungen zu treffen.

Amazon wurde in Frankreich wegen seiner "exzessiv aufdringlichen" Scanner-Überwachung von Lagerarbeitern verurteilt. Selbst "freundliche" Performance-Management-Tools und 5-Punkte-Skalen institutionalisieren diese "Verrechnung". Sie beginnt oft unspektakulär.

Leistungsindikatoren werden feiner. Verhaltensdaten werden dichter. Systeme bewerten, priorisieren, ranken und prognostizieren. Das alles geschieht unter dem Versprechen größerer Fairness, Objektivität und Effizienz. Gerade darin liegt die Gefahr. Denn was messbar ist, gewinnt strukturell Gewicht. Was schwer messbar ist, gerät unter Druck. Kreativität, situatives Urteil, Ethik, Widerspruch, Beziehungspflege, Lernwege, Sorgearbeit oder produktive Langsamkeit erscheinen dann schnell als weiche Restkategorie in einer Logik, die das Zählen mit dem Verstehen verwechselt.

Verrechnung erzeugt deshalb mehr als Zahlen. Sie erzeugt ein Menschenbild. Organisationen, die alles auf Metriken stellen, laufen Gefahr, genau jene Qualitäten zu untergraben, die sie in komplexen Umwelten eigentlich dringend brauchen: Vertrauen, Urteil, Verantwortung, Kooperationsfähigkeit und den Mut, nicht dem erstbesten Score zu folgen. Für Entscheider ist das eine unmittelbare Führungsfrage. Denn die Entscheidung für ein Messregime ist nie neutral. Sie prägt Verhalten, Kultur und Machtverhältnisse. Wer den Menschen nur noch als Datenträger, Performance-Profil oder Risikowert liest, baut nicht nur ein anderes Steuerungssystem. Er baut eine andere Institution.

Philosophische Implikation: Dies ist die "Tyrannei der Metrik". Sie schafft eine Kultur der Konformität, in der Innovation, Kreativität und "ethischer Dissens" systematisch abgewertet werden, weil sie nicht messbar sind. Es ist der "Gottes-Trick" – die Anmaßung eines Modells, eine "objektive Wahrheit" (Objektivität ohne Klammern 1) über den Wert eines Menschen zu besitzen. Es ignoriert die fundamentale Erkenntnis, dass Daten "Konstruktionen, keine Entdeckungen" sind.1

Vorläufige Konsequenz

Verreibung, Vernutzung und Verrechnung sind keine Randphänomene. Sie bilden zusammen den Kern jener Entfremdungsdynamik, die in einer agentischen KI-Ökonomie wahrscheinlich wird, wenn Technik ausschließlich nach Tempo, Skalierung und Kontrolle organisiert wird. Die Gegenfrage lautet daher nicht, ob wir KI nutzen sollen. Die Gegenfrage lautet, unter welchen Bedingungen aus maschineller Leistungsfähigkeit mehr menschliche Souveränität entsteht statt weniger. Genau an dieser Stelle beginnt die eigentliche Gestaltungsaufgabe.

V. Die Beschleunigungsfalle: Der „KI-Takt“ und die Befreiung von der Lohnarbeit (Ghost Learner)

Die schnelle KI-Klasse und die Old-Way-Klasse

Die Beschleunigungsfalle erzeugt nicht nur Stress. Sie erzeugt Klassenbildung in Organisationen.

Auf der einen Seite entsteht eine schnelle KI-Klasse: Menschen, die Agenten nicht nur bedienen, sondern orchestrieren. Sie bauen zehn Dinge parallel, veröffentlichen drei, verwerfen fünf, lernen aus zweien und wirken für klassische Teams irgendwann wie eine Störung. Sie sind nicht unbedingt loyaler, klüger oder menschlich reifer. Sie sind schneller gekoppelt. Ihre Lernschleifen laufen näher an den Tools, näher am Modellmarkt, näher an neuen Praktiken. Daraus entsteht eine paradoxe Entkopplung: Je produktiver sie werden, desto weniger verständlich werden sie für Organisationen, die noch in alten Freigabe-, Meeting- und Zuständigkeitsformen denken.

Auf der anderen Seite steht die Old-Way-Klasse: nicht als moralische Abwertung von Menschen, sondern als Beschreibung eines Arbeitsmodus. Fünf oder sechs Personen beschäftigen einander, stimmen sich ab, warten auf Freigaben, prüfen Dokumente, die ein Agent in Minuten vorbereitet hätte, und halten den alten Aufwand für Seriosität. Sie liegen nicht nur zeitlich zurück. Sie liegen in den Kosten zurück. Und irgendwann kippt diese Differenz in Macht: Wer schnell liefern kann, wird unabhängig; wer nur noch Koordination simuliert, verliert Autorität.

Die gefährlichste Zone liegt im mittleren Management. Dort bröckelt kleine Macht besonders sichtbar: Aufgaben verteilen, Status einsammeln, Präsentationen glätten, Risikoformulierungen justieren. Genau diese Tätigkeiten sind agentifizierbar. Wenn Führung darauf nur mit Kontrolle reagiert, entsteht eine Totenpfahl-Logik der Machtlosigkeit: Man klammert sich an Hierarchie, weil die operative Überlegenheit längst an Menschen mit Agenten gewandert ist.

Der Bericht Europe 2031 verdichtet diese Dynamik in zwei nützlichen Warnbildern. Erstens: Der fiktive Gründer berichtet, er habe „stopped hiring junior engineers“ (S. 4). Das ist als Szenario formuliert, trifft aber den realen Schwachpunkt jeder Organisation: Wenn KI Einstiegsarbeit ersetzt, verschwindet nicht nur Arbeit, sondern Ausbildung. Zweitens: Die Regulierungsseite wird dort als Institution beschrieben, deren Beschäftigte frontier tools aus Sicherheitsgründen kaum praktisch nutzen dürfen (S. 12). Das ist die Verwaltungsvariante desselben Problems: Wer Systeme gestalten soll, aber nicht mit ihnen arbeiten kann, reguliert zunehmend aus zweiter Hand.

Drei Risikomechaniken müssen deshalb ausdrücklich benannt werden. Erstens der Ghost Learner: Menschen bestätigen Ergebnisse, ohne Denkweg und Kontext wirklich aufzubauen. Zweitens Deskilling: Fähigkeiten verschwinden nicht, weil Menschen dumm werden, sondern weil Arbeitspfade verschwinden, in denen sie geübt wurden. Drittens Entscheidungs-Entkoppelung: Entscheidungen bleiben formal menschlich, sind aber faktisch durch Agentenlogik, Datenlage, Defaults und Kostenpfade vorgeformt.

Die Gegenmechaniken sind nicht kosmetisch. Organisationen brauchen Lernarchitekturen, in denen KI-Nutzung sichtbar trainiert wird. Sie brauchen Urteilstrainings, in denen Menschen lernen, guten maschinellen Vorschlägen bewusst nicht zu folgen. Und sie brauchen effizienzfreie Lernräume, in denen Prototypen, Umwege, Fehler und handwerkliche Reibung nicht sofort auf Output verrechnet werden. Sonst wird KI nicht zum Freiheitssubstrat, sondern zum Beschleuniger einer neuen Unmündigkeit.

Die "Drei Vs" sind nicht bloß kulturelle Symptome. Sie werden durch eine systemische Beschleunigung angetrieben, die unsere Arbeitskultur bricht und die eben diagnostizierten Formen der Entfremdung in den Alltag einspeist. KI-Systeme operieren 24/7/365 in Millisekunden. Der Mensch, mit seinem biologischen Bedarf an Schlaf, Reflexion und Pausen – der "menschlichen Latenz" – wird in einer von Agenten dominierten Arbeitswelt zum "systemischen Flaschenhals". Dies führt zur "Effizienzfalle" (Efficiency-Trap): Die naive Annahme ist, dass KI zu mehr Freizeit führt. Die ökonomische Geschichte (das "Jevons-Paradoxon") lehrt jedoch eher das Gegenteil: Effizienzsteigerungen führen historisch zu höherer Nachfrage und "extremer Arbeitsverdichtung". Statt Entlastung verschärft der "KI-Takt" genau jene Dynamiken, die vorher als Verreibung, Vernutzung und Verrechnung beschrieben wurden.

Besonders sichtbar wird das bei jenen Tätigkeiten, die wenig verkörperten Sinn und wenig reale Entscheidungskraft tragen: Berichte, die niemand liest; Abstimmungen, die vor allem die nächste Abstimmung vorbereiten; Dashboards, die beweisen, dass irgendwo ein Dashboard gebaut wurde. KI macht solche Schleifen nicht automatisch sinnvoller. Sie macht sie zuerst schneller. Und genau darin liegt der Witz, der keiner ist: Wenn eine Maschine eine sinnarme Schleife perfekt ausführt, wird nicht die Maschine absurd. Die Schleife wird sichtbar.

Was wie Produktivitätsgewinn erscheint, landet dann als Burnout, Abhängigkeit und Metrikdruck im Betrieb. Diese Kultur bestraft "Langsamkeit" und "Innehalten" – jene Zustände, die für tiefes "Handwerk" und "kreative Muße" unerlässlich sind. Der Kollaps der Mitte, der durch diesen Prozess ausgelöst wird, ist jedoch die größte Chance zur Transformation.

" Die "Agentifizierung" bedroht nicht primär physische Arbeit, sondern das mittlere Management. Die Kernaufgaben dieser koordinativen Bürojobs – Informationsaggregation, Aufgabenverteilung, Projektsteuerung – sind exakt das, was KI-Agenten (wie Salesforce "Agentforce) perfekt, datengestützt und 24/7 ausführen können. Aus der New-Work-Perspektive ist dieser Kollaps keine Katastrophe, sondern eine Befreiung. Er macht potenziell Millionen von "Bullshit-Jobs" obsolet, die im alten Lohnarbeitssystem als "milde Krankheit" die Menschen von Sinnstiftung abgehalten haben. Die KI-Revolution beendet nun endgültig die Lohnarbeitsgesellschaft industrieller Prägung. Die entscheidende Frage ist, was danach kommt. Die unmittelbare Folge ist eine "Divergenz der Geschwindigkeiten": eine Spaltung der Gesellschaft in eine "schnelle", KI-augmentierte Klasse (Programmierer, Analysten) und eine "langsame", nicht-skalierbare Klasse (Pflege, Handwerk, Bildung). Paradoxerweise ist die "langsame" Klasse (Care-Arbeit) systemrelevant, wird aber im derzeitigen System wohl relativ ärmer, da ihr Wert nicht in der Beschleunigung liegt. Aber auch das könnte sich wenden.

Der blinde Fleck: Die zerstörte Einstiegsebene

Besonders sichtbar wird dieser Kollaps dort, wo Gesellschaften ihre künftige Kompetenz bilden sollten: am beruflichen Einstieg. Aktuelle Arbeitsmarktdaten zeigen keinen allgemeinen Mangel an Arbeit, sondern einen massiven Einbruch genau jener Einstiegsrollen, über die Organisationen bisher Erfahrung, Urteilskraft und Kontextwissen aufgebaut haben. In den USA sind Ausschreibungen für Einstiegspositionen seit 2023 um rund 35 % zurückgegangen; viele Unternehmen haben ihr Hiring für Berufseinsteiger bereits deutlich reduziert. Im deutschsprachigen Raum zeigt sich derselbe Trend als stiller Einstellungsstopp: steigende Akademikerarbeitslosigkeit bei gleichzeitig wachsender Nachfrage nach hochspezialisierten KI-Rollen. Darin liegt eine strategische Selbstbeschädigung. Wenn Unternehmen Juniors nicht mehr einstellen, weil Agenten Recherchen, Präsentationen, Dokumentation und Koordination schneller erledigen, sparen sie kurzfristig Gehaltskosten, zerstören aber langfristig ihre eigene Lernpipeline. Noch gravierender ist, dass damit nicht nur Stellen verschwinden, sondern Lernpfade. Wo Juniors früher an Vorarbeiten, Reibung und Verantwortung wachsen konnten, droht nun der Ghost Learner: jemand, der Ergebnisse bestätigt, ohne den Weg dorthin wirklich noch zu beherrschen. Die alte Logik des "Manager's Apprentice" beruhte darauf, dass Nachwuchs sich durch Routinetätigkeiten in Kontexte einarbeitet. Genau dieses Lehrlingsmodell bricht nun ökonomisch weg. Das bedeutet nicht, dass die Einstiegsebene überflüssig wird. Es bedeutet, dass sie neu entworfen werden muss. Der eigentliche Engpass ist nicht mehr bloße Task Execution, sondern Urteilskraft, Kontextverständnis und die Fähigkeit, KI-Systeme verantwortlich zu orchestrieren. Ohne diesen Umbau droht der "Ghost-Learner": ein Berufseinsteiger, der überzeugende Resultate liefert, intern aber keine belastbare Kompetenz aufbaut, weil Denken, Schreiben, Strukturieren und Abwägen vollständig ausgelagert wurden. Die Antwort kann daher weder Nostalgie noch bloßes Wegautomatisieren sein. Organisationen brauchen explizite Lernarchitekturen: Juniors arbeiten mit KI als Co-Pilot, Seniors coachen nicht nur Ergebnisse, sondern Denkwege; Reibung, Kritik und Deliberate Practice werden zum offiziellen Teil der Arbeit. Erst dann wird aus dem Wegfall der Routine keine Dequalifizierung, sondern eine Emanzipation der Einstiegsebene.

Software Engineering zeigt, warum die einfache Ersatzthese zu kurz greift. Wenn Code billiger wird, verschwindet nicht automatisch die Arbeit am System. Oft wächst der Anspruch: mehr Prototypen, mehr Integration, mehr Sicherheitsarbeit, mehr Produktideen, mehr Verantwortung für die Frage, welcher Code überhaupt geschrieben werden sollte. Das ist Jevons in der Wissensarbeit. Effizienz senkt nicht nur Kosten. Sie erweitert das Feld dessen, was als machbar gilt. Genau deshalb wird Urteil wichtiger, nicht unwichtiger. Wer nur schneller produziert, vergrößert im Zweifel nur die Fläche der Fehler.

VI. New Work als Betriebssystem: Von der „Armut der Begierde“ zur „Entfaltung“

Wenn die KI die entfremdete Lohnarbeit übernimmt, müssen wir ein neues Betriebssystem für menschlichen Wert schaffen. Dieses Betriebssystem ist "New Work" – nicht als Wohlfühl-Maßnahme in Großraumbüros, sondern als robuste ökonomische und philosophische Alternative, die als direktes Antidot zu den "Drei Vs" dient:

Cognitive Offloading ist dabei nicht schon das Problem. Es ist zunächst eine alte menschliche Kulturtechnik. Wir lagern Gedächtnis in Notizbücher aus, Orientierung in Karten, Berechnung in Werkzeuge, Koordination in Kalender. Neu ist nicht die Auslagerung selbst. Neu ist die Geschwindigkeit, Tiefe und Unsichtbarkeit, mit der KI auch Vorentscheidung, Priorisierung und Deutung übernimmt.

Genau deshalb entscheidet sich an dieser Stelle, ob KI zur Entfaltung beiträgt oder zur Verreibung. Wenn Auslagerung menschliche Aufmerksamkeit freilegt, kann sie Urteilskraft stärken. Dann muss der Mensch nicht mehr alles sortieren, vergleichen, formatieren und erinnern, sondern kann fragen, abwägen, widersprechen, gestalten. Wenn Auslagerung aber Denken ersetzt, entsteht der Ghost Learner: jemand, der Ergebnisse bestätigt, ohne den Weg dorthin noch zu kennen.

New Work bekommt damit eine sehr konkrete psychologische Aufgabe. Es geht um Autonomie, Kompetenz und Eingebundenheit. Menschen müssen erleben, dass KI ihnen nicht nur Aufgaben abnimmt, sondern Fähigkeiten aufbaut. Sie müssen verstehen, warum ein Vorschlag plausibel ist, wo er blind bleibt und wie man ihn verändert. Erst dann wird Assistenz zu Lernen.

Eine menschenzentrierte KI-Kultur darf deshalb nicht nur auf Output schauen. Sie muss Lernwege sichtbar halten. Gute Systeme machen nicht bloß schneller. Sie machen Menschen urteilsfähiger. Sie schaffen Räume, in denen man mit KI übt, ohne sich an sie zu verlieren.

Gegen "Verreibung" (Agency-Verlust): Die "Verreibung" ist die technologische Vollendung der "Armut der Begierde" – der Unkenntnis dessen, was wir im Innersten wollen. Die Antwort kann daher nicht nur "KI-Literacy" (Anpassung) sein. Die Lösung ist die Kultivierung von Selbstkenntnis. Wir brauchen Bildungsreformen, die "Agency" und "Arbeit an sich selbst" lehren. Das Ziel ist nicht, der KI zu gehorchen, sondern die KI zu nutzen, um das zu finden und umzusetzen, was man "wirklich, wirklich will".

Individuation ist unter diesen Bedingungen keine private Wellness-Idee. Sie wird zu einer Basisfähigkeit der agentischen Ordnung. Wenn Routine, Statussignale und alte Rollen weniger Orientierung geben, müssen Menschen stärker klären, was sie wollen, was sie tragen können, welche Gegensätze sie integrieren und wodurch ihr Beitrag unverwechselbar wird. Sonst bestätigt man nur noch sehr kompetent, was Systeme vorbereitet haben.

Gegen "Vernutzung" (Unsichtbare Arbeit): Die "Vernutzung" macht uns zu "Cloud-Leibeigenen". Die Lösung ist die Anerkennung dieser unsichtbaren Arbeit. Dies erfordert eine politische Lösung: die Umverteilung der Gewinne, die aus unserem kollektiven "Cloud-Kapital" entstehen. Reform (Modell 2): Eine "Data-Dividende" oder eine Wertschöpfungsabgabe auf KI-Agenten Transformation (Modell 3): Die Überwindung des "extraktiven" Modells 1 durch "Daten-Souveränität" und "Commons", bei denen die Daten gar nicht erst dem Oligopol gehören.

Deshalb genügt eine reine Nachsorgepolitik nicht. Ein Grundeinkommen, eine Data-Dividende oder allgemeine Kapitalbesteuerung können Schäden abfedern. Sie verändern aber nicht automatisch die Entscheidungssituation, in der Unternehmen menschliche Arbeit ersetzen. Der kritische Punkt liegt früher: dort, wo Automatisierung als Grenzkostenentscheidung erscheint.

Hier wird der Pigou-Gedanke interessant. Eine kluge Automatisierungsabgabe wäre nicht einfach eine symbolische Robotersteuer. Sie müsste die externen Kosten einer Substitution dort sichtbar machen, wo sie entstehen: in der Investitionsentscheidung, in Abschreibungsregeln, in Kapitalbegünstigungen, in der steuerlichen Architektur, die heute bestimmte Formen von Automatisierung faktisch erleichtert.

Das klingt trocken. Aber genau darin liegt die politische Ernsthaftigkeit. Wer nur die Folgen verteilt, lässt den Mechanismus weiterlaufen. Wer die Anreize justiert, greift in die Taktung des Systems ein. Nicht um Technik zu verhindern. Sondern um Über-Automatisierung dort zu bremsen, wo sie gesellschaftliche Lernwege, Kaufkraft und institutionelle Stabilität zerstört.

New Work darf deshalb nicht nur als Kulturprogramm auftreten. Es braucht eine fiskalische Seite. Wenn Arbeit nicht mehr allein die alte Lohnarbeit meint, dann muss auch die Finanzierung von Sicherheit, Bildung und Entfaltung anders gebaut werden. Die Frage lautet nicht: Wie bestrafen wir KI? Die Frage lautet: Wie verhindern wir, dass Effizienzgewinne privatisiert und ihre sozialen Voraussetzungen ausgehöhlt werden?

Gegen "Verrechnung" (Tyrannei der Metrik): Die "Verrechnung" zerstört Innovation und "Pluralität". Die Lösung besteht darin, die Metrik zu ersetzen. Statt einer auf Profit und individueller Effizienz basierenden Metrik – einem "Gottes-Trick" – brauchen wir ein "Impact Scoring", das auf einer demokratisch legitimierten Definition von"Gemeinwohl" GW \> K basiert. Ein konkretes, praxiserprobte Werkzeug das man weiterentwickeln könnte ist die "Gemeinwohl-Bilanz".

Europa, Souveränität und das 1000-Tage-Programm

Die europäische KI-Frage ist keine reine Regulierungsfrage. Sie ist eine Frage von Fähigkeit. Wer keine Modelle trainieren kann, keine Rechenzentren baut, keine Energie bereitstellt, keine Talente hält, keine Datenräume öffnet, keine Verwaltungen befähigt und keine industrielle KI in die Breite bringt, besitzt am Ende vielleicht Werte, aber keine Hebel mehr, um sie zu verteidigen.

Der Bericht Europe 2031 ist hier besonders brauchbar, weil er Europas Risiko erzählerisch und infrastrukturell verbindet. Auf Seite 8 nennt er die Dinge, die Ankündigungen allein nicht erzeugen: „talent, capital, energy supply“. Auf Seite 17 wird Cyberfähigkeit zur Machtfrage: Im Szenario erhält eine kleine Koalition Zugang zu frontier Cyber-KI, während europäische Akteure zunächst außen vor bleiben. Auf Seite 40 verschiebt sich der Blick zu China: Nicht nur kognitive KI, sondern physische KI, industrielle KI und Robotik werden zur Machtbasis. Das stützt die Tech-These dieses Weißbuchs: AI x Robotics, AI x Quantum und AI x Everything sind keine Spielereien, sondern Konvergenzpfade politischer Ökonomie.

Für die nächsten 1000 Tage folgt daraus kein Wunschzettel, sondern ein Arbeitsprogramm.

Europäische Compute- und Energie-Kapazität bauen. Ziel: reale Handlungsfähigkeit. Umsetzung: Genehmigungszonen, Energieverträge, öffentliche Ankerkundschaft. Risiko: Symbolpolitik. Messgröße: verfügbare souveräne Trainings- und Inferenzkapazität.

AI Compute ist keine wolkige Digitalressource. Er braucht Strom, Kühlung, Flächen, Netze, Genehmigungen und politische Prioritäten. Die neue Pointe ist, dass die zentralste Infrastruktur der Gegenwart, das Rechenzentrum, plötzlich auf die dezentralsten Assets angewiesen ist: Batterien, Solardächer, Thermostate, lokale Lastverschiebung. Wenn Haushalte zum Puffer der KI-Ökonomie werden, muss die Gegenleistung politisch sauber gebaut sein. Sonst wird aus Dezentralität nur ein weiteres Extraktionsmodell. Richtig gestaltet können solche Energie- und Datenverbunde aber zeigen, was Freiheitssubstrate praktisch bedeuten: verteilte Fähigkeit statt bloßer Verbrauch.

Der Tesla-/Sunrun-/Renew-Home-Komplex zeigt diese Verschiebung bereits als Infrastrukturfall. Hunderttausende Heimbatterien, Solaranlagen und Millionen steuerbarer Geräte werden nicht mehr nur als private Komforttechnik gelesen, sondern als virtuelles Kraftwerk für Rechenzentren und Netze. Das ist keine romantische Energiewende-Erzählung. Es ist die materielle Rückseite der KI-Beschleunigung. Wenn die Maschine mehr Urteil, Sprache und Koordination übernimmt, frisst sie nicht nur Daten. Sie frisst Strom, Netzflexibilität und politische Aufmerksamkeit. New Work muss deshalb auch Energiepolitik werden: Wer die Infrastruktur trägt, muss auch an Nutzen, Schutz und Entscheidungsmacht beteiligt sein.

Der fehlende dritte Satz lautet: lokal zuerst, Cloud wenn nötig. Nicht jede Zusammenfassung, Suche, Klassifikation, Übersetzung, Schreibassistenz oder Verwaltungshilfe muss durch ein globales Rechenzentrum laufen. Viele Aufgaben können auf vorhandenen Rechnern, auf Organisationsservern oder in kommunalen Edge-Strukturen erledigt werden. Ollama, llama.cpp mit GGUF-Modellen, MLX auf Apple Silicon und kleine offene Modellfamilien zeigen, dass lokale Inferenz keine ferne Utopie mehr ist. Sie ersetzt kein Frontier-Training und löst keine Chip-Lieferkette. Aber sie verschiebt die Default-Frage: Was muss wirklich zentral skaliert werden, was kann nahe an Menschen, Daten und Verantwortung bleiben, und was sollte gar nicht automatisiert werden?

Öffentliche Verwaltung frontier-fähig machen. Ziel: Regulierung aus eigener Praxis. Umsetzung: gesicherte Sandboxes, Modellzugänge, Audit-Labs. Risiko: Datenschutz als Verhinderungsroutine. Messgröße: Anteil der KI-Regelungs- und Beschaffungsteams mit praktischer Nutzungserfahrung.
Einstiegsebenen neu entwerfen. Ziel: keine verlorene Lernpipeline. Umsetzung: KI-Lehrlingsmodelle, Senior-Coaching, Denkweg-Reviews. Risiko: Juniors werden nur Prompt-Bediener. Messgröße: nachweisbare Urteilskompetenz, nicht nur Output.
AI Maker Spaces als Freiheitssubstrate ausrollen. Ziel: Gegenmacht durch Können. Umsetzung: Bibliotheken, Schulen, Betriebe, Kommunen, Gewerkschaften und Hochschulen als offene Werkstätten. Risiko: Eventisierung ohne Infrastruktur. Messgröße: gebaute Artefakte, geteilte Datensätze, lokale Agentenprojekte.
Automatisierungsgewinne fiskalisch rückbinden. Ziel: Effizienz privatisiert nicht ihre sozialen Voraussetzungen. Umsetzung: Data-Dividende, Automatisierungsabgabe, Reinvestition in Bildung und Commons. Risiko: Innovationsbremse durch schlechte Ausgestaltung. Messgröße: Anteil der KI-Gewinne, der in Lern- und Entfaltungsinfrastruktur zurückfließt.
Modell- und Toolchain-Governance einführen. Ziel: wechselnde Tools ohne Dauerchaos. Umsetzung: Portfolio-Regeln, 70-Prozent-Wechselregel, Exit-Pläne. Risiko: Governance wird zur neuen Bürokratie. Messgröße: stabile Lernkurven trotz Toolwechsel.
Cyberabwehr als öffentliche KI-Kernfähigkeit behandeln. Ziel: Resilienz vor Abhängigkeit. Umsetzung: nationale und europäische KI-Cyber-Labs, koordinierte Schwachstellensuche, öffentliche Beschaffung. Risiko: Geheimhaltung verhindert Lernen. Messgröße: Zeit bis Patch, Zahl behobener kritischer Schwachstellen.
Industrielle KI und Robotik in realen Umgebungen testen. Ziel: physische Produktivität ohne blinde Haftungsrisiken. Umsetzung: regionale Reallabore, Haftungsrahmen, offene Standards. Risiko: Showcases statt produktiver Skalierung. Messgröße: produktive Anwendungen in Pflege, Logistik, Fertigung, Energie und öffentlicher Infrastruktur.

Dabei darf physische Produktivität nicht mit analoger Entwertung verwechselt werden. Vielleicht entlasten Exoskelette, Diagnose-Agenten oder agrarische Laserroboter bestimmte Tätigkeiten erheblich. Vielleicht zeigt sich gerade dort eine Grenze, an der menschliche Gegenwart nicht ersetzt, sondern neu geschützt werden muss. Noch wissen wir es nicht. Das Nichtwissen ist hier keine Schwäche, sondern Teil der Diagnose.

9 — Aufmerksamkeit und Sozialität schützen. Ziel: mentaler Burnout wird nicht Kollateralschaden des KI-Takts. Umsetzung: KI-freie Deliberationsräume, Teamrituale, Rechtsanspruch auf Lernzeit. Risiko: Wellness-Sprache ersetzt Struktur. Messgröße: Belastung, Fluktuation, Lernqualität, Kooperationsfähigkeit.

10 — Keine Metrik ohne Widerspruchsrecht. Ziel: Verrechnung begrenzen. Umsetzung: erklärbare Scores, menschliche Berufungspfade, Auditpflicht für algorithmisches Management. Risiko: Pseudo-Transparenz. Messgröße: Zahl korrigierter Entscheidungen, Qualität der Einspruchsverfahren.

Die Lehre aus Europe 2031 ist nicht: Europa ist verloren. Die Lehre ist härter und nützlicher: Man kann recht haben und trotzdem zu spät handeln. Die bittere Formel des Szenarios lautet „we let it happen“ (S. 68). Dieses Weißbuch antwortet darauf mit New Work: Wir lassen es nicht nur geschehen. Wir bauen die Räume, Fähigkeiten und Gegenmächte, in denen Menschen mit KI mehr werden können als Restgrößen der Automatisierung.

VII. Schlussfolgerung: Architekten der Entfaltung – Die Gestaltung der "Besten Ergebnisse" (1000 Tage / epistemischer Widerstand)

Die beste plausible Entwicklungsrichtung ist die augmentierte Kooperation: eine Ordnung, in der KI menschliche Handlungsfähigkeit, Lernen und demokratische Gestaltung stärkt. Sie erfordert aktives, politisches Gestalten. Reine Regulierung, wie der EU AI Act. Dieser ist unzureichend und könnte paradoxerweise kontrollorientierte Oligopole stärken, indem sdie starre Regulierung hohe Markteintrittsbarrieren schafft. Der Kollaps der Lohnarbeit ist eine Befreiung – aber eine Befreiung wohin? Wenn Maschinen kognitive Routine, Koordination, Berichtswesen und Teile der Produktion übernehmen, wird Bergmanns alte Frage nach dem, was Menschen wirklich, wirklich tun wollen, nicht weicher, sondern härter. Sie wandert aus der Sonntagsrede in die Betriebsnotwendigkeit.

Die Befreiung von Lohnarbeit beantwortet noch nicht, woran ein Mensch wächst. Freie Zeit erzeugt weder Können noch Weltkontakt automatisch. Individuation braucht Widerstand, Beziehung und die Möglichkeit, etwas Eigenes zu beginnen. Eine positive KI-Zukunft muss deshalb nicht nur Arbeit reduzieren, sondern biografische und gesellschaftliche Werkstätten offenhalten, in denen Urteilskraft, Verantwortung und gemeinsames Handeln entstehen können.

Das wird kein Selbstläufer. Die Kräfte des Marktes und der globale Wettbewerb werden versuchen, jede freigewordene Sekunde sofort wieder zu monetarisieren, zu verdichten und in neue Wachstumsziele zu pressen. Gerade deshalb dürfen Produktivitätsgewinne nicht nur als Renditekanal organisiert werden. Sie müssen politisch in konkrete Freiheitssubstrate übersetzt werden: physische Räume wie Gemeinschaftswerkstätten, Bibliotheken, Schulen, öffentliche Labore und AI Maker Spaces; digitale Infrastrukturen wie offene, Commons-basierte Modelle, lokale Datenräume und souveräne Werkzeuge; und soziale Sicherheiten, die Menschen erlauben, neu zu lernen, zu kooperieren und zu handeln. Freiheitssubstrate meinen jedenfalls nicht nur Geld, sondern die materiellen und infrastrukturellen Bedingungen von Selbstermächtigung: freie Zeit, freies Wissen, zugängliche Daten und die Mindest-Sicherheit, von der aus freigesetzte Zeit nicht in Leere, sondern in Entfaltung umschlagen kann.

Wenn Freiheitssubstrate mehr sein sollen als ein schönes Wort, brauchen sie Orte. Nicht nur Plattformen. Nicht nur Lernvideos. Nicht nur Chatfenster. Sondern Räume, in denen Menschen mit KI, Werkzeugen, Daten, Text, Code, Material, Energiefragen und anderen Menschen praktisch arbeiten können.

Das können AI Maker Spaces sein: zu Hause, vor der Haustür, in Bibliotheken, Schulen, Ämtern, Parteizentralen, Betrieben, Gewerkschaften, Universitäten und offenen Werkstätten. Orte, an denen nicht nur konsumiert wird, was große Anbieter bereitstellen, sondern an denen Menschen eigene Modelle verstehen, lokale Daten kuratieren, Texte schreiben, kleine Agenten bauen, öffentliche Probleme untersuchen und neue Formen gemeinsamer Produktion einüben. Ein normaler Computer wird dabei nicht zur Weltmaschine. Aber er kann zum Einstieg in souveräne Rechenpraxis werden: ein kleines Modell lokal starten, einen Datensatz prüfen, ein Dokument ohne Cloud zusammenfassen, eine kommunale Wissensbasis aufbauen, einen Arbeitsprozess entlasten, ohne die ganze Organisation an die nächste Oberfläche zu verkaufen.

Solche Räume sind keine romantische Bastelidee. Sie sind eine Antwort auf die Machtfrage der KI. Wer nur Zugriff auf fertige Oberflächen hat, bleibt abhängig. Wer die Werkzeuge versteht, kann widersprechen, umbauen, zweckentfremden, teilen. Gegenmacht entsteht nicht aus Empörung allein. Sie entsteht aus Können. Und manchmal beginnt dieses Können ziemlich unspektakulär: mit einem Laptop, einer lokalen Installation, einem Stromzähler, einem echten Problem und drei Menschen, die am Dienstagvormittag beschließen, es nicht nur zu beklagen.

Diese Freiräume sind deshalb kein Rückzug aus der KI-Gesellschaft. Sie sind ihre notwendige Gegenarchitektur. Menschen müssen mit KI arbeiten können, ohne in ihr zu verschwinden. Sie brauchen Orte, an denen Gründlichkeit, Empathie, Materialkontakt, gemeinsames Lernen und langsames Urteil nicht als Störung der Effizienz gelten, sondern als öffentliche Güter.

Die 1000 Tage, von denen dieses Weißbuch spricht, sind deshalb keine Frist für ein abstraktes Erwachen. Sie sind eine Bauzeit. In ihr entscheidet sich, ob KI als Infrastruktur der Verrechnung eingerichtet wird oder als Infrastruktur der Entfaltung. Dafür braucht es Geld. Aber Geld allein reicht nicht. Es braucht Zeit, Räume, offene Wissensbestände, lokale Datenräume und eine Kultur, die Menschen zutraut, mehr zu sein als Nutzerinnen und Nutzer der nächsten Oberfläche.<br>Dieses Weißbuch schließt mit dem Aufruf, die Rolle des "Architekten" neu zu definieren. Wir müssen aufhören, fatalistische Technokraten zu sein, wie im hypothetischen Eingangsbeispiel.

Wir müssen "Architekten der Entfaltung" werden. Wahre "Digitale Souveränität" ist nicht die technische Abwehr von Spionage. Wahre Souveränität ist die kulturelle, politische und ökonomische Fähigkeit einer Gesellschaft, die menschliche "moralische Handlungsfähigkeit" (den Menschen als Zweck an sich) und "Pluralität" über die Diktatur der algorithmischen Effizienz zu stellen. Dafür reicht es nicht, KI bloß bedienen zu können. Es braucht eine neue KI-Literacy, die Produktivität mit Gesellschaftsverständnis verbindet: nicht nur, wie man Systeme nutzt, sondern was sie mit Arbeit, Lernen, Macht und Urteil machen.

Diese Literacy muss deshalb tiefer greifen als Tooltraining. Sie braucht Komplexitätskompetenz, Selbsterkenntnis, Sinnbildung und die Fähigkeit, maschinelle Vorschläge in menschliche Verantwortung zurückzuübersetzen. Die zentrale Zukunftsfrage lautet nicht, ob KI immer mehr machen kann. Sie lautet, ob Menschen und Institutionen durch KI mehr Richtung, mehr Urteil und mehr Handlungsfähigkeit gewinnen. Lasst uns Gegenmacht entwickeln durch Können. Das bedeutet: Aufbau paralleler, souveräner KI Infrastrukturen, Förderung von "Hacker-Ethik" und die Rückeroberung der Deutungshoheit über das, was "Wahrheit" ist.

Wir haben 1000 Tage. Die Zeit für naive Technikgläubigkeit ist vorbei. Es ist Zeit für epistemischen Widerstand.

Version: Flowbook KI · v. 1.3 · letzte Änderung: 12.07.2026

KI-Label-System von New Work New Culture

KI-Trust-Label: Prüfspur statt Vertrauensbehauptung

Dieses Weißbuch folgt dem Flowbook-Verfahren „Trusted KI“ in CLAW Fabric. Aussagen werden nicht einfach KI-generiert oder KI-nachbearbeitet, sondern als prüfbare Behauptungen behandelt: Claim, Evidence Pack, Quellengewichtung, Gegenpositionen, Denker-Linsen, Entscheidungsvorbereitung und dokumentierte Provenienz.

Das Ziel ist einfach: Vertrauen soll nicht behauptet, sondern nachvollziehbar gemacht werden. Welche Quellen tragen eine Aussage? Welche Unsicherheiten bleiben offen? Welche Einwände wurden geprüft? Welche Agenten oder Werkzeuge waren beteiligt? Was wurde verworfen, was übernommen, was muss später erneut geprüft werden?

CLAW Fabric ist dafür unsere Arbeitsarchitektur. Sie verbindet Recherche, strukturierte Kritik, Experts-of-Trust-Perspektiven, Arena-Diskurs und Audit-Trail. Der Hash oder die Prüfspur ersetzt keine Wahrheit. Sie hält fest, wie ein Text zu seiner gegenwärtigen Form gekommen ist. Genau darin liegt der Unterschied zwischen KI als Textmaschine und KI als verantwortbarer öffentlicher Praxis.