- Begriff: Die HBR-Studie von Forschenden der Beratung BCG (05.03.2026) nennt geistige Ermüdung durch übermäßige Nutzung oder Beaufsichtigung von KI-Werkzeugen „AI Brain Fry“. Eine medizinische Diagnose ist das nicht.
- Verbreitung: 14 % der KI-Nutzenden in US-Großunternehmen haben es schon einmal erlebt (1.488 Befragte, Selbstauskunft). Das sind nicht 14 % aller Beschäftigten, und gefragt war nach „jemals erlebt“.
- Prozentwerte: Die Werte zu Aufsicht, Ermüdung, Entscheidungsermüdung, Fehlern und Burnout sind relative Unterschiede von Skalenwerten, keine Personenanteile. Beispiel: Wer viel KI beaufsichtigt, gibt im Schnitt 14 % mehr geistige Anstrengung an.
- Kontextwechsel: Dass Wechsel kosten, ist im Labor belegt (Monsell 2003, Rubinstein et al. 2001). In der Studie ist die Verbindung zu den Fragen zum Aufgabenwechsel weniger eindeutig als die zu Informationsüberlastung.
- Gegenseite: Weniger Routinearbeit durch KI hing mit 15 % niedrigeren Burnout-Werten zusammen. Eine Feldstudie fand im Schnitt 15 % mehr gelöste Fälle pro Stunde (Brynjolfsson et al. 2025).
- Arbeitstakt: Start, Fokus, Ernte, Mitteilungen erst in der Ernte lesen und nur so viele Läufe, wie du prüfen kannst. Für einzelne Bausteine gibt es Hinweise aus anderen Bereichen (Fitz 2019 zu gebündelten Mitteilungen, Masicampo und Baumeister 2011), für die Aufsicht über KI ist keiner geprüft.
An manchen Tagen laufen bei mir 5 bis 6 KI-Läufe gleichzeitig. Das Starten dauert Minuten. Danach treffen die Ergebnisse nacheinander ein, und jedes will geprüft, korrigiert oder freigegeben werden. Ich springe zwischen Texten, Recherchen und Entwürfen hin und her. Ob das schon AI Brain Fry ist, kann ich nicht sagen, denn eine Diagnose gibt es dafür nicht.
Wer KI-Agenten einsetzt oder KI im Unternehmen einführt, führt irgendwann mehrere Läufe gleichzeitig und stößt auf dieselbe Frage: Wie viele kann ich noch sinnvoll prüfen? Dieser Beitrag trennt, was die Studie zu AI Brain Fry belegt, nennt die Forschung zu Kontextwechseln, zeigt die Gegenseite und beschreibt meinen Arbeitstakt.
AI Brain Fry: Definition und Abgrenzung zu Burnout
Den Begriff „AI Brain Fry“ führen Bedard, Kropp, Hsu, Karaman, Hawes und Rosen Kellerman im HBR-Artikel „When Using AI Leads to ‚Brain Fry‘“ vom 5. März 2026 ein. Alle arbeiten bei der Beratung BCG, 2 von ihnen promovieren zusätzlich an der University of California, Riverside. Ihre Definition, sinngemäß übersetzt: geistige Ermüdung durch übermäßige Nutzung oder Beaufsichtigung von KI-Werkzeugen über die eigene kognitive Kapazität hinaus. Im Deutschen hat sich kein Wort etabliert. Medien schreiben von „KI-Erschöpfung“, „KI-Burnout“ oder „AI Fatigue“, ein Fachportal titelt „Frittiertes Hirn“.
Mit Burnout ist AI Brain Fry nicht gleichzusetzen. Burnout beschreiben die Autoren als chronischen Arbeitsstress mit emotionaler Erschöpfung. Brain Fry ist nach ihrer Lesart eine akute Überlastung von Aufmerksamkeit, Arbeitsgedächtnis und Steuerung des eigenen Denkens. Eine medizinische Diagnose ist er nicht.
Ein Hinweis zur Herkunft: BCG verkauft selbst Beratung zur KI-Einführung. Der Artikel empfiehlt, 70 % der Anstrengung für KI-Vorhaben in Menschen und Prozesse zu stecken. Das macht die Zahlen nicht falsch, zeigt aber ein Eigeninteresse am Thema.
Die Zahlen der Studie und wie du sie liest
Befragt wurden 1.488 Vollzeitbeschäftigte in großen US-Unternehmen, einmalig und per Selbstauskunft. Einen Fragebogen oder ein Working Paper mit der Methodik habe ich nicht gefunden. Wichtig für jede Zahl ist, was sie eigentlich misst:
| Aussage der Studie | So liest du die Zahl |
|---|---|
| 14 % der KI-Nutzenden bejahten, Brain Fry schon einmal erlebt zu haben | Anteil von Personen, aber nur unter KI-Nutzenden in US-Großunternehmen, und die Frage lautete „jemals erlebt“. Falsch wäre: „Jeder Siebte leidet daran.“ |
| Hohe statt niedrige Aufsicht über KI: 14 % mehr geistige Anstrengung, 12 % mehr geistige Ermüdung, 19 % mehr Informationsüberlastung | Relative Unterschiede von Skalenwerten aus der Selbstauskunft zwischen 2 Gruppen, keine Personenanteile. |
| Mit Brain Fry: 33 % mehr Entscheidungsermüdung, 11 % mehr kleine und 39 % mehr große Fehler | Ebenfalls Skalenwerte der Selbstauskunft, keine gezählten Fehler. „Brain Fry macht 39 % mehr schwere Fehler“ wäre falsch. |
| Kündigungsabsicht: 25 % ohne, 34 % mit Brain Fry | Anteile von Personen im Vergleich. Die Relativzahl, die HBR dazu nennt, kann ich aus den berichteten Werten nicht nachrechnen, deshalb steht sie hier nicht. |
| Je Funktion: 26 % der Beschäftigten in Marketing-Funktionen, 6 % in Rechtsfunktionen gaben an, Brain Fry erlebt zu haben | Funktionen großer US-Unternehmen, keine Branchen. |
| Gleichzeitig genutzte KI-Werkzeuge: Die wahrgenommene Produktivität steigt von 1 auf 2 deutlich, danach schwächer, und sinkt leicht ab dem vierten | Gemessen ist wahrgenommene Produktivität. Ob Werkzeuge oder Agenten gezählt wurden, ist unklar. Eine Grenze für Agenten folgt daraus nicht. |
Für den Alltag sind 2 Befunde wichtiger als jede Prozentzahl. Der erste: Mit Belastung und geistiger Ermüdung hing vor allem die laufende Aufsicht über KI-Ausgaben zusammen, dazu eine durch KI gewachsene Arbeitsmenge. Im Mittelpunkt der Studie steht die Aufsicht. Der zweite betrifft Kontextwechsel: Die Freitextantworten nennen Informationsüberlastung und Aufgabenwechsel als wichtige Faktoren. Der statistische Zusammenhang mit den Fragen zum Aufgabenwechsel ist aber weniger eindeutig als der mit Informationsüberlastung. Zur „Hauptursache“ taugt der Kontextwechsel in dieser Studie nicht.
Noch ein Vorbehalt: Die Autoren schreiben, KI-Nutzung „may be causing“ die Erschöpfung, und die Aufsicht „predicted“ sie. Das sind vorsichtige Worte aus gutem Grund. Im Querschnitt ist auch die Gegenrichtung denkbar: Wer ohnehin überlastet ist, erlebt Aufsicht womöglich als belastender.
Kontextwechsel und Aufsicht: warum sie so viel Aufmerksamkeit kosten
Dass Aufgabenwechsel Zeit und Genauigkeit kosten, erforscht die Psychologie seit Jahrzehnten, allerdings nicht an der Arbeit mit KI. Die Angaben stammen aus den Zusammenfassungen der Studien, bei Mark aus den Aufsätzen.
- Wechselkosten: Nach einem Aufgabenwechsel antworten Menschen im Labor langsamer und meist fehleranfälliger. Vorbereitung senkt die Kosten, beseitigt sie nicht (Monsell 2003, Übersichtsarbeit zu einfachen Aufgaben). Sie steigen mit der Komplexität der Regeln, sinken mit Hinweisreizen und sind bei unvertrauten Aufgaben höher (Rubinstein, Meyer, Evans 2001).
- Aufmerksamkeitsreste: Die Aufmerksamkeit löst sich von unerledigten Aufgaben schlecht, und die Leistung bei der nächsten Aufgabe leidet. Das Fachwort dafür ist „Attention Residue“ (Leroy 2009, 2 Experimente).
- Unterbrechungen: Bei 24 Beschäftigten einer Firma (je 3,5 Tage beobachtet, Studiendauer 13 Monate) waren 57 % der Arbeitseinheiten unterbrochen. Zur unterbrochenen Arbeit kehrten sie am selben Tag im Schnitt nach 25 min 26 s zurück. Die Streuung ist riesig (Standardabweichung 54 min 48 s), und 77 % wurden am selben Tag überhaupt wieder aufgenommen (Mark, Gonzalez, Harris 2005). Im Labor arbeiteten Unterbrochene schneller, aber mit mehr Stress und Anstrengung (Mark, Gudith, Klocke 2008, 48 Teilnehmende, überwiegend Studierende).
- Aufsicht über Automatisierung: Wer ein automatisiertes System überwacht, kontrolliert bei Mehrfachbelastung weniger (Complacency) und folgt Vorschlägen auch als Experte zu schnell (Automation Bias). Training verhindert das nicht (Parasuraman und Manzey 2010, Übersichtsarbeit).
Meine Lesart: Wer 5 Läufe führt, wechselt zwischen 5 Aufgaben und prüft dabei laufend fremde Ergebnisse. Beides zusammen passt zu dem, was die Studie und diese Forschung beschreiben. Bewiesen ist es für die Arbeit mit KI nicht. Die Labor- und Bürostudien stammen aus der Zeit vor KI-Agenten, und die Unterbrechungsstudien haben kleine Stichproben.
Die Gegenseite: Routine abgeben entlastet
Dieselbe Studie hat eine zweite Botschaft, die neben den Belastungszahlen leicht untergeht. Beschäftigte, die durch KI weniger Routinearbeit hatten, gaben 15 % niedrigere Burnout-Werte an. Die Werte für geistige Ermüdung waren nicht niedriger. Es ist wieder ein Zusammenhang aus Selbstauskunft, aber er spricht dagegen, KI-Nutzung pauschal als Belastung zu lesen. Mit weniger Ermüdung hing außerdem zusammen, wenn Führung Fragen zur KI beantwortete (15 % weniger) und wenn Beschäftigte den Eindruck hatten, ihr Unternehmen lege Wert auf Work-Life-Balance (28 % weniger).
Eine Feldstudie liefert Hinweise in dieselbe Richtung. Brynjolfsson, Li und Raymond werteten in „Generative AI at Work“ (erschienen 2025) Daten von 5.172 Support-Mitarbeitenden aus, bei denen 2020 und 2021 ein KI-Assistent gestaffelt eingeführt wurde. Im Schnitt lösten sie 15 % mehr Fälle pro Stunde. Weniger Erfahrene und weniger Qualifizierte profitierten stärker, bei den Erfahrensten waren Tempogewinne und Qualitätsverluste klein. Das Befinden der Mitarbeitenden wurde nicht direkt gemessen, und Support mit einem Assistenten von 2020 ist etwas anderes als das Führen mehrerer Agenten.
Belastung und Entlastung stehen in den Daten nebeneinander. Meine Lesart: Es kommt darauf an, wie viel Aufsicht in die eigene Kapazität passt. Weniger KI folgt daraus nicht.
Arbeitstakt: Start, Fokus, Ernte
Ab hier beschreibe ich meine Arbeitsweise. Sie ist die Erfahrung eines einzelnen Solounternehmers und keine geprüfte Methode. Wo es für einen Baustein Belege aus anderen Bereichen gibt, steht das dabei. Ob diese Bausteine bei der Aufsicht über KI genauso wirken, ist offen.
Die Grundidee: Ich begrenze meine Berührungspunkte mit der KI und lasse die Laufzeit der Läufe offen. Sie dürfen lange dauern, solange ich nur zu festen Zeiten hineinschaue. Daraus entstehen 3 Blöcke:
| Block | Was passiert | Dauer |
|---|---|---|
| Start | Alle Aufträge nacheinander losschicken, jeder mit klarem Ergebnis | 15 bis 30 min |
| Fokus | Eine eigene Aufgabe, die nur ich lösen kann. Keine Ergebnisse lesen, keine Läufe ansehen | 90 bis 120 min |
| Ernte | Ergebnisse prüfen, freigeben, Korrekturen als neue Aufträge starten (das ist zugleich der nächste Start) | 30 bis 45 min |
Start: gleichartige Aufträge als Charge
Beim Start zählt der saubere Auftrag. Gleichartige Aufgaben schicke ich als Charge los, 5 bis 6 parallel. Was nicht in die Charge passt, wartet auf den nächsten Start. Vorbereitung und Hinweisreize senken Wechselkosten (Rubinstein, Monsell). Deshalb lohnt sich im Auftrag ein Satz dazu, woran du das fertige Ergebnis erkennst und was du damit vorhast. Das ist eine Übertragung aus dem Labor.
Fokus: Mitteilungen erst in der Ernte lesen
Im Fokus-Block lese ich keine Ergebnisse und schaue keine Läufe an. Mitteilungen dürfen eintreffen, gelesen werden sie erst in der Ernte. Das ist weniger als Bündeln: Sie kommen weiter einzeln an, ich lasse sie nur liegen.
Zum Bündeln gibt es ein Feldexperiment am Smartphone. Fitz und Kollegen (2019) ließen 237 Personen Benachrichtigungen wie bisher, 3-mal täglich gebündelt zugestellt oder gar nicht erhalten. Die gebündelte Gruppe berichtete mehr Aufmerksamkeit, bessere Stimmung und weniger Stress. Die Gruppe ganz ohne Benachrichtigungen hatte kaum Vorteile, dafür mehr Angst und mehr Sorge, etwas zu verpassen. Bündeln war also besser als Abschalten. Wer den Fokus-Block so stützen will, lässt Mitteilungen gesammelt zustellen. Ob bloßes Liegenlassen dasselbe bringt, zeigt die Studie nicht. Die Einstellungen für iPhone und Pixel stehen im Beitrag zur ständigen Erreichbarkeit.
Ernte: prüfen, freigeben, Wechsel notieren
In der Ernte prüfe ich die Ergebnisse hintereinander, gebe frei und schicke Korrekturen als neue Aufträge los. Zugleich beginnt der nächste Start. Wer zwischen 2 Ergebnissen oder zurück in die eigene Aufgabe wechselt, kann in 1 Satz notieren, wo und wie er weitermacht. Masicampo und Baumeister zeigten 2011 in Laborexperimenten, dass ein konkreter Plan, wann und wie ein Ziel erledigt wird, die Störwirkung eines unerledigten Ziels beendet. Ob das für liegengebliebene KI-Ergebnisse gilt, dazu habe ich keine Studie gefunden.
Nach der Ernte und dem neuen Start, bevor der nächste Fokus-Block beginnt, hilft eine echte Pause. Eine Meta-Analyse (22 Stichproben, 2.335 Personen) fand, dass Mikropausen die Vitalität heben und die Müdigkeit senken, beides in kleinem Ausmaß (Albulescu et al. 2022). Für die Leistung bei anspruchsvoller Arbeit ist der Effekt nicht gesichert, die Empfehlung stützt sich aufs Wohlbefinden.
So viele Läufe, wie du prüfen kannst
Der Engpass ist das Prüfen, nicht das Starten. Ein Tag ist voll, wenn die Ernte nicht mehr in die Arbeitszeit passt. Das deckt sich mit Erfahrungsberichten. Addy Osmani koppelt die Zahl der Agenten an seine Review-Rate und schreibt, für die meisten sei das eine niedrige einstellige Zahl (The Orchestration Tax, 2026). Simon Willison kann sich nach eigener Aussage nur auf das Prüfen und Übernehmen einer größeren Änderung zur Zeit konzentrieren (2025).
Die Schwelle der HBR-Studie bei 3 Werkzeugen taugt nicht als Maßstab für Läufe, weil unklar bleibt, was gezählt wurde. Als Test genügt eine einfache Regel: Starte nur so viele Läufe, wie du im nächsten Ernte-Block gründlich prüfst. Schau nach einer Woche, wie viele Ergebnisse liegen geblieben sind.
Grenzen der Studienlage
Die Brain-Fry-Studie beruht auf Selbstauskunft und einem Querschnitt, sie stammt aus den USA und aus Großunternehmen und ist in einem Management-Magazin ohne Begutachtung erschienen. Die Brain-Fry-Frage ist ein einzelnes Ja-Nein-Item mit „jemals“, kein geprüfter Fragebogen. Die 33 % mehr Entscheidungsermüdung sind ein Skalenwert. Der Mechanismus dahinter (Ego Depletion) ließ sich in 2 großen Wiederholungsstudien nicht belastbar zeigen (Hagger et al. 2016, Vohs et al. 2021).
Für die Gegenmittel sieht es dünner aus. Fitz, Masicampo und Albulescu untersuchten Smartphones, Laboraufgaben und Pausen, keine Aufsicht über KI. Zu Solounternehmern mit mehreren Agenten habe ich keine Studie gefunden. Mein Erleben ist ein einzelner Datenpunkt. Wer ähnliche Läufe führt, kann den Takt als Hypothese testen und an der eigenen Ernte messen.
Wie ich KI-Läufe im Alltag führe und was dabei schiefgeht, zeige ich im Newsletter AI Sync, der jeden Sonntag erscheint.
Alles auf dieser Seite lässt sich ohne mich umsetzen. Neue Werkzeuge und Änderungen trage ich hier ein, jeden Sonntag gibt es dazu einen Tipp im Newsletter.
Zum AI SyncIch richte mit dir KI-Abläufe ein, die ihre Ergebnisse gesammelt zu festen Zeiten zur Freigabe liefern, und lege mit dir fest, wer was prüft. Vor Ort von Eisenstadt bis Mattersburg und Wiener Neustadt, online im ganzen deutschsprachigen Raum.
Mehr dazuHäufige Fragen
Was ist AI Brain Fry?
AI Brain Fry ist ein Begriff aus einer HBR-Studie von Forschenden der Beratung BCG (05.03.2026). Gemeint ist geistige Ermüdung durch übermäßige Nutzung oder Beaufsichtigung von KI-Werkzeugen über die eigene Kapazität hinaus. Der Begriff ist keine medizinische Diagnose. Die Studie beruht auf der Selbstauskunft von 1.488 Beschäftigten großer US-Unternehmen.
Wie häufig ist AI Brain Fry?
In der Studie bejahten 14 % der KI-Nutzenden die Frage, ob sie es schon einmal erlebt haben. Das gilt für KI-Nutzende in US-Großunternehmen, gefragt war nach „jemals erlebt“. Je nach Funktion lag der Wert weit auseinander: 26 % der Beschäftigten in Marketing-Funktionen, 6 % in Rechtsfunktionen. Für Solounternehmer oder KMU in Österreich ist mir keine Zahl bekannt.
Ist AI Brain Fry dasselbe wie Burnout?
Nein. Die Autoren beschreiben Burnout als chronischen Arbeitsstress mit emotionaler Erschöpfung, Brain Fry als akute Überlastung von Aufmerksamkeit und Arbeitsgedächtnis. In der Studie hing weniger Routinearbeit durch KI mit 15 % niedrigeren Burnout-Werten zusammen, die Werte für geistige Ermüdung waren nicht niedriger. Medien schreiben dennoch oft von „KI-Burnout“.
Wie viele KI-Werkzeuge oder Agenten gleichzeitig sind zu viel?
Eine feste Zahl habe ich in keiner Studie gefunden. In der Studie stieg die wahrgenommene Produktivität von 1 auf 2 gleichzeitig genutzte Werkzeuge deutlich, danach schwächer, und sank leicht ab dem vierten. Unklar bleibt, was genau gezählt wurde. Der Entwickler Addy Osmani koppelt die Zahl der Agenten an seine Prüfkapazität und nennt für die meisten eine niedrige einstellige Zahl. Das ist ein Erfahrungswert.
Was hilft gegen AI Brain Fry?
Für die Aufsicht über KI gibt es keine geprüfte Maßnahme. Aus anderen Bereichen gibt es Hinweise für gebündelte Benachrichtigungen, 3-mal täglich (Fitz et al. 2019, 237 Personen), einen konkreten Plan für Unerledigtes (Masicampo und Baumeister 2011) und kurze Pausen gegen Müdigkeit (Albulescu et al. 2022). Die Studie selbst nennt Routine abgeben und Grenzen für die Aufsicht festlegen. Ob das bei KI-Aufsicht wirkt, ist offen.
Macht KI müde oder entlastet sie?
Beides kommt in den Daten vor. Hohe statt niedrige Aufsicht über KI hing mit 12 % mehr geistiger Ermüdung zusammen (relativer Unterschied bei Selbstauskunft). Weniger Routinearbeit hing mit 15 % niedrigeren Burnout-Werten zusammen. In einer Feldstudie mit 5.172 Support-Mitarbeitenden lösten diese mit KI-Assistent im Schnitt 15 % mehr Fälle pro Stunde (Brynjolfsson et al. 2025).
Änderungen an diesem Beitrag
- 10.11.2026Erstfassung.
