83,3 Prozent. Das ist der Anteil der Studienteilnehmer, die Minuten nach dem Schreiben mit ChatGPT-Unterstützung ihre eigenen Sätze nicht mehr reproduzieren konnten. Das MIT Media Lab hat das 2025 per EEG gemessen – niedrigste neuronale Aktivität in den Bereichen, die für Aufmerksamkeit, Gedächtniskonsolidierung und semantische Tiefe verantwortlich sind. Die Forscher nennen das "Akkumulation kognitiver Schulden".
Klingt alarmierend. Ist es auch – aber nicht so, wie es auf den ersten Blick scheint.
Das Problem ist nicht KI. Das Problem ist Unterlastung.
Was das Gehirn wirklich braucht
Eine Synthese aus 94 empirischen Studien (Gkintoni et al., MDPI 2025) liefert das Erklärungsmodell: Es gibt eine optimale kognitive Last – und die liegt bei 40 bis 60 Prozent der individuellen Kapazität. In diesem Bereich entstehen neue synaptische Verbindungen. Das Gehirn wächst buchstäblich. Darunter, also bei Unterlastung, setzt synaptisches Pruning ein: das systematische Zurückbauen ungenutzter Verbindungen.
Generische KI-Tools nehmen die Last komplett ab. Sie formulieren, strukturieren, synthetisieren – und hinterlassen den Nutzer unterhalb dieser 40-Prozent-Grenze. Das erklärt die MIT-Zahlen nicht als Beweis gegen KI, sondern als Beweis gegen unkalibrierte KI-Nutzung.
Die Frage ist also keine Frage des "Ob", sondern des "Wie viel" und "Womit".
Die Zone, in der Kompetenz entsteht
Lev Vygotsky hat vor fast hundert Jahren beschrieben, was heute direkt auf KI zutrifft: Die Zone der nächsten Entwicklung. Das ist der Bereich, in dem ein Mensch eine Aufgabe noch nicht allein bewältigen kann – aber mit der richtigen Unterstützung schon. Zu wenig Unterstützung: Überforderung. Zu viel: Entlastung ohne Lernen. Der Punkt dazwischen ist der einzige, an dem Kompetenzen tatsächlich wachsen.
Firmenspezifische KI kann genau diesen Punkt treffen – generische KI kann es strukturell nicht.
Ein PKS, das das Firmenwissen eines Unternehmens kompiliert hat, stellt Mitarbeitern keine fertigen Antworten hin. Es stellt Fragen auf Basis des eigenen Kontextes: Welches Kundenproblem liegt hier vor? Welche Erfahrungen aus vergleichbaren Projekten sind relevant? Was würde ein erfahrener Kollege jetzt abwägen? Der Mitarbeiter muss antworten, einschätzen, entscheiden. Das System liefert den Rahmen – das Urteil bleibt beim Menschen. Das ist kein bequemes Interface, das ist kalibriertes Scaffolding.
Und das Scaffolding ist nicht statisch. Es zieht sich zurück, wenn die Kompetenz wächst.
Was die Studien zeigen
Eine Meta-Analyse von Vaccaro et al. (2024, Nature Human Behaviour, 106 Studien) beziffert die Leistungsgewinne durch KI-Kooperation bei generativen Aufgaben – also Inhaltserstellung, Ideenentwicklung, Problemformulierung – auf eine Effektstärke von g = 0,46. Das ist ein signifikanter Wert. Bei analytischen Entscheidungssituationen ohne menschliche Steuerung sinkt die Leistung. Der Unterschied: Wer das Urteil an die KI delegiert, verliert. Wer die Generierungsarbeit an die KI gibt und das Urteil behält, gewinnt.
Wang und Kollegen haben das 2025 für Designprozesse direkt gemessen. 42 Designer, Novizen und Experten, strukturierte KI-Unterstützung versus freie Tool-Nutzung. Novizen steigerten ihre Ideenanzahl von 1,71 auf 3,14 – ein Zuwachs von über 80 Prozent – wenn der Co-Kreations-Prozess explizit strukturiert war. Ohne Strukturierung: Drift in Konformität, keine Kompetenzentwicklung.
Das ist der entscheidende Befund. Nicht der Zugang zum Tool macht den Unterschied. Sondern der Grad der Forderung, den das System an den Menschen stellt.
Was das für Ihr Unternehmen bedeutet
Die meisten KI-Einführungen im Mittelstand laufen heute über Tool-Zugang. Microsoft Copilot, ChatGPT Enterprise, Gemini für Workspace. Die Mitarbeiter erhalten Lizenzen und eine Einführungsstunde. Was sie nicht erhalten: eine KI, die ihr spezifisches Firmenwissen kennt, auf ihre konkreten Aufgaben kalibriert ist und ihnen nicht die Arbeit abnimmt – sondern sie auf dem richtigen Niveau herausfordert.
Das Ergebnis ist vorhersehbar: Die MIT-Zahlen beschreiben nicht das Potenzial von KI. Sie beschreiben das Resultat von KI ohne KI-Betriebsmodell.
Ein Proprietary Knowledge System kehrt das Verhältnis um. Es injiziert das kompilierte Firmenwissen als Kontext, hält das Human-in-the-Loop-Prinzip strukturell aufrecht und fordert von den Mitarbeitern genau das, was ihre Kompetenz ausbaut: Einschätzung, Prüfung, Entscheidung. Nicht Tastaturarbeit, die das System effizienter erledigt. Sondern das Urteil, das nur sie fällen können – und das sie umso besser fällen, je öfter sie es üben.
Wer den Forschungsstand ernst nimmt, zieht aus der MIT-Studie keine Warnung vor KI. Er zieht die Schlussfolgerung, dass eine KI ohne eigenes Firmenwissen ein Kompetenzerosions-Instrument ist – und eine KI mit eigenem Firmenwissen das Gegenteil sein kann.
Der Unterschied liegt nicht im Anbieter. Er liegt im Grad der Forderung.
Wo Ihr Unternehmen heute steht – und welche KI-Architektur tatsächlich zu Ihrer Kompetenzstruktur passt: Der KI-Potenzial-Check gibt in 15 Minuten eine erste Einschätzung. Wer den nächsten Schritt gezielt gehen will: Paket C – PKS Implementation beschreibt den Aufbau einer firmenspezifischen Wissensarchitektur in sechs bis acht Wochen.