Drei Schritte vor, einen zurück: Warum produktive LLM-Arbeit selten geradlinig verläuft
Der erste Entwurf ist oft verblüffend gut. Ein LLM strukturiert ein komplexes Thema, formuliert sauber, bringt Argumente in eine sinnvolle Reihenfolge und liefert innerhalb weniger Minuten etwas, wofür vorher deutlich mehr Zeit nötig gewesen wäre. Dann beginnt die Überarbeitung. Eine Passage soll präziser werden. Eine neue Quelle kommt hinzu. Der Text soll kürzer werden. Die Geschäftsführersicht soll stärker herausgearbeitet werden. Nach zwei oder drei Korrekturen ist ein Abschnitt tatsächlich besser. Dafür fehlt an anderer Stelle plötzlich eine wichtige Einschränkung. Eine Definition ist nicht mehr ganz konsistent. Der Schluss wirkt schwächer als zuvor.
Was zunächst nach enormer Beschleunigung aussah, wird zu einer Folge aus Prüfen, Vergleichen, Korrigieren und Zurückgehen. Genau hier beginnt die eigentliche Arbeit mit LLMs oft erst. Der schnelle Output ist nicht der eigentliche Maßstab.
Die Geschwindigkeit generativer KI ist sichtbar und leicht zu demonstrieren. Ein Entwurf entsteht in Sekunden, eine Zusammenfassung in wenigen Augenblicken, eine Analyse in einem Bruchteil der bisherigen Zeit. Für Unternehmen ist das attraktiv. Aber der erste Output ist noch kein verlässliches Arbeitsergebnis. Sobald ein Text, eine Analyse oder eine Entscheidungsvorlage tatsächlich verwendet werden soll, steigen die Anforderungen. Quellen müssen stimmen. Zahlen müssen nachvollziehbar sein. Begriffe dürfen sich nicht unbemerkt verändern. Einschränkungen müssen erhalten bleiben. Eine Überarbeitung darf nicht an anderer Stelle neue Fehler erzeugen.
Der relevante Produktivitätsgewinn entscheidet sich deshalb nicht bei der Generierung, sondern im gesamten Weg bis zum belastbaren Ergebnis. Dass LLMs nicht in jedem Fall stabil reagieren, ist gut belegt. Eine 2024 in Nature veröffentlichte Untersuchung von Zhou und Kollegen analysierte verschiedene Modellfamilien und unterschiedliche natürliche Formulierungen derselben Aufgaben. Die Autoren fanden zwar, dass neuere, stärker auf Anweisungen abgestimmte Modelle insgesamt stabiler auf Promptvariationen reagieren. Gleichzeitig blieben aber Bereiche mit deutlicher Variabilität bestehen. Besonders relevant ist ein weiterer Befund: Leistungsfähigere Modelle gaben häufiger plausibel wirkende, aber falsche Antworten, statt eine Antwort zu verweigern. Diese Variabilität wäre weniger problematisch, wenn Fehler immer offensichtlich wären. Genau das ist jedoch häufig nicht der Fall.
„Fast richtig“ ist oft teurer als offensichtlich falsch
Ein schlechter Entwurf ist leicht zu erkennen. Ein überzeugender Entwurf mit einem kleinen sachlichen Fehler ist deutlich schwieriger. Genau diese Fälle verursachen einen großen Teil des Prüfaufwands. Sie wirken plausibel, lesen sich gut und können trotzdem an einer entscheidenden Stelle falsch sein. In der Stack Overflow Developer Survey 2025 nannten 66 Prozent der Entwickler, die zu diesem Punkt geantwortet hatten, KI-Lösungen als Frustrationsquelle, die „fast richtig, aber nicht ganz richtig“ sind. 45 Prozent berichteten, dass das Debugging von KI-generiertem Code mehr Zeit beanspruchen könne. Diese Zahlen beziehen sich auf Softwareentwicklung und lassen sich nicht einfach auf andere Formen von Wissensarbeit übertragen. Das zugrunde liegende Muster ist dennoch relevant: Je plausibler ein Ergebnis wirkt, desto größer kann der Aufwand werden, Fehler überhaupt zu erkennen.
Die gleiche Befragung zeigt allerdings auch die andere Seite. 52 Prozent der Befragten gaben an, dass KI-Werkzeuge oder KI-Agenten ihre Produktivität positiv beeinflusst hätten. Unter denjenigen, die bereits KI-Agenten nutzen, berichteten rund 70 Prozent von weniger Zeitaufwand bei bestimmten Entwicklungsaufgaben und 69 Prozent von höherer Produktivität. Diese Angaben widersprechen den zuvor genannten Frustrationen nicht. Ein Werkzeug kann insgesamt Zeit sparen und gleichzeitig in einzelnen Arbeitsschritten zusätzlichen Prüf-, Korrektur- oder Debuggingaufwand verursachen. Gerade diese Gleichzeitigkeit ist für die Bewertung im Unternehmenskontext relevant: Produktivitätsgewinn und zusätzlicher Kontrollaufwand schließen sich nicht gegenseitig aus.
Für Unternehmen verändert das die Produktivitätsrechnung. Nicht die Zeit bis zum ersten Text zählt, sondern die Zeit bis zu einem Ergebnis, das tatsächlich verwendet werden kann. Und genau diese Zeit kann mit jeder weiteren Überarbeitung wieder wachsen.
Wenn Verbesserungen neue Rückschritte erzeugen
Die mühsame Seite der LLM-Arbeit entsteht häufig nicht beim ersten Versuch, sondern in den folgenden Iterationen. Eine zusätzliche Quelle kann die Gewichtung einer Argumentation verändern. Eine neue Definition kann ein Praxisbeispiel unpassend machen. Eine Kürzung kann genau den Satz entfernen, der eine Aussage zuvor sauber begrenzt hat. Das Modell bearbeitet dabei nicht immer nur die gewünschte Stelle isoliert. Es verarbeitet einen größeren Zusammenhang aus Anweisungen, Kontext und vorhandenem Material neu.
Je länger ein Arbeitsverlauf wird, desto mehr Anforderungen, Korrekturen und Zwischenstände liegen übereinander. Irgendwann wird nicht mehr nur der Inhalt komplex. Auch der Arbeitskontext selbst wird komplex. Das ist der Punkt, an dem sich Fortschritt wie Rückschritt anfühlt. Drei Schritte vor. Einer zurück.
Nicht unbedingt, weil das Modell schlechter geworden ist, sondern weil das System aus Mensch, Modell, Kontext und Anforderungen schwerer steuerbar geworden ist. Die Nature-Studie von Zhou et al. stützt diesen Gedanken zumindest teilweise: Promptstabilität hat sich zwar verbessert, aber auch bei leistungsfähigeren Modellen blieben Bereiche bestehen, in denen unterschiedliche Formulierungen zu unterschiedlichen Ergebnissen führten. Die Autoren warnen zudem davor, aus hoher Leistung automatisch auf verlässliches Verhalten zu schließen. Die Aussage, dass ein guter Arbeitsstand nach mehreren Änderungen schlechter werden kann, ist damit keine direkt experimentell bewiesene Universalregel. Sie ist eine praktische Schlussfolgerung aus der beobachteten Prompt- und Kontextsensitivität. Genau diese Unterscheidung ist wichtig.
Produktivität bleibt eine Frage des Kontexts
Wie stark generative KI Arbeit tatsächlich beschleunigt, ist wissenschaftlich schwieriger zu beantworten, als viele Schlagzeilen vermuten lassen. METR untersuchte 2025 erfahrene Open-Source-Entwickler bei realen Aufgaben in Codebasen, mit denen sie bereits vertraut waren. In diesem randomisierten Experiment benötigten die Entwickler mit erlaubter KI-Unterstützung im Durchschnitt 19 Prozent mehr Zeit als ohne KI. METR beschreibt das Ergebnis ausdrücklich als Momentaufnahme eines spezifischen Settings mit frühen 2025 verfügbaren Werkzeugen und warnt vor einer pauschalen Verallgemeinerung. METR weist inzwischen darauf hin, dass dieser Befund die Leistungsfähigkeit neuerer KI-Werkzeuge nicht mehr unmittelbar abbildet und aktuellere Systeme wahrscheinlich stärkere Produktivitätsgewinne ermöglichen, deren Größenordnung bislang jedoch nicht zuverlässig bestimmt werden kann.
Bemerkenswert ist dabei auch die Differenz zwischen gemessener und wahrgenommener Produktivität. Vor Beginn der Untersuchung erwarteten die Entwickler im Durchschnitt, dass KI ihre Bearbeitungszeit um 24 Prozent reduzieren würde. Nach ihrer Teilnahme schätzten sie weiterhin, mit KI ungefähr 20 Prozent schneller gearbeitet zu haben. Tatsächlich zeigte die gemessene Bearbeitungszeit in diesem Experiment die entgegengesetzte Richtung: Mit erlaubter KI-Unterstützung benötigten sie durchschnittlich 19 Prozent mehr Zeit.
Das bedeutet nicht, dass Selbsteinschätzungen grundsätzlich wertlos sind. Es zeigt aber, wie schwierig es sein kann, den tatsächlichen Produktivitätseffekt von KI allein aus dem subjektiven Nutzungserlebnis abzuleiten. Wahrgenommener Nutzen, Geschwindigkeit und objektiv gemessene Produktivität sind nicht zwangsläufig dasselbe.
Gerade deshalb ist die Entwicklung danach interessant. METR befragte zwischen Februar und April 2026 insgesamt 349 technische Wissensarbeiter, darunter Softwareentwickler, Forscher, Wissenschaftler sowie Gründer und Manager. Die selbst berichteten Werteffekte durch KI lagen je nach Messmethode im Median zwischen dem 1,4- und 2-Fachen. Gleichzeitig weist METR selbst auf Unsicherheiten hin: Die Angaben sind Selbsteinschätzungen, unterschiedliche Messmethoden liefern unterschiedliche Ergebnisse, und die Größenordnung sollte mit Vorsicht interpretiert werden.
Die eigentliche Erkenntnis liegt deshalb weniger in einer einzelnen Zahl. Sie liegt darin, dass Produktivität stark vom Kontext abhängt. Ein LLM kann bestimmte Aufgaben massiv beschleunigen und gleichzeitig neuen Prüfaufwand erzeugen. Es kann für einen erfahrenen Nutzer sehr hilfreich sein und in einem anderen Arbeitskontext zusätzliche Reibung verursachen. Beides kann gleichzeitig wahr sein.
Manchmal ist ein Neustart die bessere Entscheidung
Mit jeder Überarbeitung steigt die Versuchung, einen bestehenden Arbeitsstand weiter zu retten. Schließlich wurde bereits Zeit investiert. Doch gerade bei LLMs kann das in eine Sackgasse führen. Wenn sich alte und neue Anforderungen vermischen, wenn überholte Vorgaben noch im Kontext stehen und wenn niemand mehr sicher sagen kann, welcher Zwischenstand eigentlich noch gilt, wird die nächste Korrektur nicht automatisch zur Verbesserung. Dann kann ein Neustart professioneller sein als eine weitere Reparaturschleife.
Ein solcher Neustart bedeutet nicht, die bisherige Arbeit zu verwerfen. Er bedeutet, die gültigen Entscheidungen herauszuziehen, überholte Vorgaben zu entfernen, Quellen neu zu ordnen und den Zielzustand wieder eindeutig zu formulieren. Formal beginnt der nächste Entwurf vielleicht wieder bei Version eins. Inhaltlich kann er weiter sein als Version zehn. Das ist kein Scheitern. Es ist eine Form von Qualitätskontrolle.
Für genau diesen Punkt gibt haben wir noch keine Studie gefunden, die allgemein nachweist, dass ein Neustart systematisch effizienter ist als weitere Iterationen. Es handelt sich um eine fachliche Arbeitslogik, die aus Kontextkomplexität, Versionsproblemen und der belegten Variabilität von LLM-Ausgaben abgeleitet wird.
Gute LLM-Arbeit ist mehr als Prompting
Viele Diskussionen über generative KI konzentrieren sich noch immer stark auf Prompts. Für einfache Aufgaben ist das nachvollziehbar. Bei anspruchsvoller Wissensarbeit greift es zu kurz. Dann geht es nicht mehr nur darum, eine möglichst gute Eingabe zu formulieren. Es geht darum, Anforderungen sauber zu definieren, Quellen zu prüfen, Zwischenstände zu sichern, Änderungen nachvollziehbar zu halten und Fehler sichtbar zu machen. Professionelle LLM-Nutzung ist weniger ein Gespräch mit einem besonders leistungsfähigen Chatbot als die Gestaltung eines kontrollierbaren Arbeitsprozesses.
Die Forschung von Zhou und Kollegen unterstreicht dabei einen wichtigen Punkt: Höhere Modellleistung bedeutet nicht automatisch besser vorhersehbare Fehler. Die Autoren fanden keine verlässliche Zone, in der moderne Modelle bei einfachen Aufgaben praktisch fehlerfrei arbeiten und Menschen sämtliche verbleibenden Fehler zuverlässig erkennen könnten. Für Unternehmen ist dieser Unterschied zentral. Eine Demo zeigt, was ein System kann. Ein Arbeitsprozess muss zeigen, wie verlässlich dieses Können nutzbar wird.
Der eigentliche Hebel liegt im Prozess
Für Geschäftsführer ist deshalb weniger relevant, wie spektakulär der erste Output aussieht. Relevant ist, was danach passiert. Wie viel menschliche Prüfung bleibt notwendig? Wie häufig müssen Ergebnisse korrigiert werden? Welche Fehler sind besonders schwer zu erkennen? Wie gut lassen sich funktionierende Zwischenstände sichern? Und wie schnell wird sichtbar, dass ein Arbeitsstand nicht mehr sauber steuerbar ist? Diese Fragen entscheiden darüber, ob ein LLM tatsächlich Produktivität erzeugt oder lediglich Arbeit verschiebt.
Die vorliegenden Daten liefern dafür keine einfache allgemeine Antwort. Die METR-Studie von 2025 zeigt ein konkretes Setting mit gemessener Verlangsamung. Die Befragung von 2026 zeigt gleichzeitig deutlich positive selbst berichtete Wertbeiträge. Auch die Stack Overflow Developer Survey zeigt beide Seiten: erhebliche Frustration über fast richtige Ergebnisse und zusätzlichen Debuggingaufwand auf der einen Seite, gleichzeitig aber von vielen Nutzern wahrgenommene Produktivitätsgewinne auf der anderen.
Gerade dieser Kontrast ist für Entscheider wertvoller als ein pauschales Produktivitätsversprechen. Er macht deutlich, dass der Nutzen von LLMs nicht allein im Modell steckt. Aufgabe, Nutzer, Qualitätsanforderungen, Kontrollmechanismen und Arbeitsprozess bestimmen mit, ob aus Geschwindigkeit tatsächlich wirtschaftlicher Nutzen wird.
Frust ist kein Gegenargument, aber ein Hinweis
Ein guter erster Entwurf kann nach mehreren Änderungen wieder schlechter werden. Ein plausibles Ergebnis kann mehr Prüfaufwand verursachen als ein offensichtlich falsches. Und ein langer Arbeitsverlauf kann irgendwann so komplex werden, dass ein sauberer Neustart sinnvoller erscheint als die nächste Korrektur. Das ist kein Argument gegen LLMs. Es ist ein Argument für einen professionelleren Umgang mit ihnen.
Frust kann darauf hinweisen, dass die Aufgabe unklar definiert ist, der Kontext überladen wurde, verlässliche Quellen fehlen oder ein Arbeitsstand zu lange weiterbearbeitet wird. Manchmal liegt das Problem auch schlicht darin, dass das gewählte Werkzeug nicht gut zur Aufgabe passt. Gerade deshalb sollte die Erfahrung von Rückschritten weder dramatisiert noch ignoriert werden. Sie gehört zu einer realistischen Betrachtung generativer KI.
Fazit
Large Language Models können Wissensarbeit erheblich beschleunigen. Die aktuelle Evidenz zeigt jedoch zugleich, dass ihre Produktivitätswirkung nicht pauschal bestimmt werden kann. In einem eng definierten Experiment wurden erfahrene Entwickler mit KI langsamer; technische Wissensarbeiter berichteten ein Jahr später deutliche wahrgenommene Wertsteigerungen. Auch innerhalb derselben Entwicklerbefragung stehen zusätzlicher Prüfaufwand und wahrgenommene Produktivitätsgewinne nebeneinander. Diese Befunde widersprechen sich nicht zwangsläufig. Sie messen unterschiedliche Aufgaben, Nutzergruppen und Formen von Produktivität und haben jeweils eigene Grenzen.
Für Unternehmen ist deshalb nicht der beeindruckende erste Output der entscheidende Maßstab. Relevant ist der vollständige Weg bis zu einem belastbaren Ergebnis. Bei anspruchsvoller und qualitätskritischer Wissensarbeit beginnt ein wesentlicher Teil der eigentlichen Arbeit deshalb häufig dort, wo der erste Entwurf endet: beim Prüfen, Vergleichen, Korrigieren und beim Bewahren eines funktionierenden Arbeitsstands. Das schließt erhebliche Produktivitätsgewinne durch generative KI nicht aus. Es verschiebt vielmehr die entscheidende Frage: Nicht ob KI grundsätzlich schneller macht, sondern unter welchen Aufgaben-, Qualitäts- und Prozessbedingungen aus dieser Geschwindigkeit tatsächlich ein belastbarer wirtschaftlicher Vorteil entsteht.
Professionelle Nutzung besteht deshalb nicht darin, jeden Zwischenstand um jeden Preis zu retten. Sie besteht darin, belastbare Ergebnisse von nur überzeugend wirkenden Ergebnissen zu unterscheiden und rechtzeitig zu erkennen, wann weiteres Nachbessern keinen zusätzlichen Wert mehr schafft.
Fortschritt mit LLMs ist deshalb häufig keine gerade Linie. Manchmal sind es tatsächlich drei Schritte vor und einer zurück. Und manchmal beginnt der schnellste Weg nach vorne noch einmal von vorn.
Quellen
Zhou, Lexin et al.: „Larger and more instructable language models become less reliable“. Nature 634, 61–68. Veröffentlicht am 25. September 2024.
Becker, Joel; Rush, Nate; Barnes, Beth; Rein, David / METR: „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity“. 10. Juli 2025.
Becker, Joel / METR: „Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity“. 11. Mai 2026.
Stack Overflow: Developer Survey 2025, Abschnitt AI.
Quellenstand: 19. August 2026. Die Aussagen zum sinnvollen Neustart eines überladenen LLM-Arbeitsverlaufs sind fachliche Einordnung, keine experimentell allgemein bewiesene Regel.
Fachartikel von Mike Winter | Gründer von Off Sence AI
Kommentare