Human Attention is All You Need: Das Produktivitätsparadox der KI-Ära

Vor über einem Jahrzehnt habe ich im kognitionspsychologischen Labor der Uni Paderborn die Software gebaut, die misst, wie knapp und kostbar menschliche Aufmerksamkeit ist. Attentional Blink. Change-Blindness. Prior Entry.

Heute baue ich die Systeme, die genau diese Aufmerksamkeit verbrauchen.

Ich erzähle das, weil dieser Widerspruch der ehrlichste Rahmen für diesen Artikel ist. Denn genau hier sitzt das Produktivitätsparadox der KI-Ära: Execution wird drastisch schneller, und trotzdem fühlt sich der Tag nicht leichter an. Die gute Nachricht: Das liegt nicht an dir, es hat eine Struktur. Und wer die Struktur kennt, kann mit ihr arbeiten. Worauf du schaust, wird gerade zur wichtigsten Entscheidung, die du triffst.

2017 erschien ein Paper mit dem Titel „Attention is All You Need“ (Quelle: Vaswani et al., 2017). Es erklärt, warum Transformer-Architekturen funktionieren: kein sequentielles Abarbeiten von Wörtern, sondern ein Mechanismus, der relevante Verbindungen direkt gewichtet. Damit begann die aktuelle KI-Ära. Was Vaswani nicht ins Abstract geschrieben hat: Das Paper beschreibt auch die Welt.

Informationsfülle macht Aufmerksamkeit knapp

Herbert Simon hat das 1971 gesehen. „A wealth of information creates a poverty of attention“ (Quelle: Herbert A. Simon, Designing Organizations for an Information-Rich World, 1971). Mit diesem Vortrag hat Simon begründet, was heute Aufmerksamkeitsökonomie heißt. Die Erkenntnis ist kontraintuitiv: Nicht die Ressource, die überquillt, wird wertvoll. Die Ressource, die dadurch verschwindet, wird knapp. Information gab es zu wenig. Dann gab es zu viel. Was jetzt zu wenig ist: die Zeit und Energie, ihr zu folgen.

Simon hat noch etwas gesagt, das seltener zitiert wird: Die Ingenieure seiner Zeit haben das Problem als Informationsknappheit geframt und deshalb Systeme gebaut, die produzieren, aggregieren, distribuieren. Systeme, die fluten. Meine Lesart: Das war keine Randnotiz. Das ist die Architektur der nächsten fünf Jahrzehnte geworden.

Das Geschäftsmodell ist älter als das Internet

Tim Wu hat in „The Attention Merchants“ gezeigt, dass das Geschäftsmodell nicht neu ist. 1833 gründet Benjamin Day die New York Sun. Preis: ein Cent, weit unter den Produktionskosten. Finanziert durch Werbetreibende, die für Zugang zu den Lesern zahlen (Quelle: Tim Wu, The Attention Merchants, 2016). Kostenlose Inhalte gegen Aufmerksamkeit, Aufmerksamkeit weiterverkauft. Dasselbe Modell betreiben heute die großen Social-Media-Plattformen.

Was KI an diesem Modell ändert: nicht das Modell. Die Schärfe der Waffe. Targeting, das früher Demografie-Segmente hatte, hat jetzt Individuen. Organische Click-Through-Rates für Suchanfragen mit KI-Zusammenfassungen sind innerhalb eines Jahres von 1,41 Prozent auf 0,64 Prozent gefallen: Die Zusammenfassung fängt die Aufmerksamkeit ab, bevor sie irgendwo landet (Quelle: Seer Interactive, 2025). Für Inhalte auf Platz eins der Suchergebnisse liegt der Klickverlust durch KI-Zusammenfassungen inzwischen bei 58 Prozent (Quelle: Ahrefs, 2025). Die Konkurrenz um Aufmerksamkeit wird nicht milder, wenn KI besser wird. Sie wird präziser.

Das ist die Außenseite: Märkte, die deine Aufmerksamkeit ernten. Die Innenseite ist neuer und betrifft jeden, der mit Agenten arbeitet. Denn auch deine eigenen Systeme verbrauchen deine Aufmerksamkeit. Genau dort entsteht das Paradox.

Was ist das Produktivitätsparadox der KI-Ära?

Das Produktivitätsparadox: Die Ausführung wird drastisch schneller, aber der Tag fühlt sich nicht leichter an. Weil der Engpass nicht in der Ausführung sitzt, sondern in der Aufmerksamkeit.

Die Forschungsorganisation METR hat 2025 versucht, den KI-Speedup sauber zu messen. 16 erfahrene Open-Source-Entwickler:innen, im Schnitt fünf Jahre Erfahrung im eigenen Projekt. Vorher schätzten sie: KI macht mich 24 Prozent schneller. Hinterher fühlten sie sich 20 Prozent schneller. Gemessen waren sie 19 Prozent langsamer (Quelle: METR, 2025). Die Lücke zwischen Wahrnehmung und Messung war der eigentliche Befund.

Und dann wird die Geschichte richtig interessant. METR wollte die Studie mit den neueren Tools wiederholen. Das Experiment hat keine belastbaren Ergebnisse mehr geliefert. Nicht, weil die Methode schlecht war, sondern weil die Menschen nicht mehr mitspielen: Immer weniger Entwickler:innen lassen sich darauf ein, ohne KI zu arbeiten. Selbst für 50 Dollar die Stunde (Quelle: METR, 2026). METR selbst hält es inzwischen für wahrscheinlich, dass die heutigen Tools tatsächlich beschleunigen. Das ist kein Forschungsversagen, sondern das Ergebnis: Eine Studie über Arbeit ohne KI scheitert daran, dass kaum noch jemand ohne KI arbeiten will.

Ich kann das aus meiner eigenen Arbeit bestätigen. Ich habe meine Arbeitsweise komplett auf agentische Workflows umgestellt. Was früher ein Nachmittag war, ist heute ein Durchlauf, während ich schon am nächsten Problem denke. Bei 20 Prozent fehlen aus meiner Sicht Nullen. (Das ist ein Gefühl, keine Messung. Genau um diese Lücke geht es hier.) Und deshalb ist die Frage so spannend: Wenn die Ausführung so viel schneller geworden ist, warum ist mein Tag dann voller als je zuvor?

Warum machen dich acht Agenten nicht achtmal schneller?

Weil jedes echte Urteil durch dich muss. Der Speedup ist gedeckelt durch den seriellen Anteil deiner Arbeit. Und der serielle Anteil ist dein Judgement.

Python kann beliebig viele Threads spawnen. Aber klassisch brauchen alle denselben Lock, den Global Interpreter Lock. Es gibt genau einen. Alles, was rechnen will, muss durch ihn. (Python wird seinen Lock übrigens gerade los. Ich meinen nicht.)

In einem Multi-Agent-Setup bin ich der Lock. Die Agenten laufen parallel. Jedes echte Urteil, jede Weichenstellung, die echtes Architektur-Verständnis braucht, muss durch mich. Amdahls Gesetz sagt: Der Speedup durch Parallelisierung ist gedeckelt durch den seriellen Anteil. Der serielle Anteil in der Agenten-Arbeit ist das Judgement.

Acht Agenten zu spawnen macht meine Arbeit nicht schneller. Es macht die Warteschlange vor mir tiefer.

Das erklärt den scheinbaren Widerspruch: noch nie so viel geschafft, und trotzdem keine Luft im Tag. Das sind keine Gegensätze. Nüchtern betrachtet ist es derselbe Zustand: ein serieller Prozessor bei hundert Prozent Auslastung. Kein Grund zur Sorge, aber ein Grund zur Architektur. Denn eine strukturelle Grenze lässt sich verschieben, wenn man weiß, wo sie sitzt.

Microsoft Research hat 2025 bei Wissensarbeiter:innen erhoben, was dieser Zustand mit der Arbeit macht: Generative KI verschiebt den kognitiven Aufwand vom Produzieren zum Evaluieren. Verifikation ist kein Randprozess mehr, sie wird zur primären Arbeitslast (Quelle: Microsoft Research / IIL, 2025). Über die Entscheidungs-Seite dieser Last habe ich in „Decision Fatigue in der KI-Ära“ geschrieben. Was dort die Müdigkeit nach hundert Mikro-Entscheidungen ist, ist hier das strukturelle Muster dahinter.

Diese Phase, in der Execution billiger wird, Aufmerksamkeit aber noch auf Ziel und Weg gleichzeitig gelenkt werden muss, ist kein Übergangsproblem. Sie ist das Grundproblem der nächsten Jahre. Ich habe ein Whitepaper darüber geschrieben und nenne diese Last die Oversight Tax: was es kostet, jeden KI-Output prüfen zu müssen, bevor du ihm trauen kannst.

Was passiert, wenn Execution wirklich Commodity wird?

Dann fällt der Anteil der Aufmerksamkeit weg, der auf den Weg geht. Was bleibt, ist Aufmerksamkeit auf das Ziel. Und die wird wichtiger, nicht unwichtiger.

Jetzt kommt die These, die ich eigentlich machen will. Man könnte denken: Wenn KI die Ausführung übernimmt, wird Aufmerksamkeit weniger wichtig. Die Arbeit läuft eh. Warum sollte sie knapper werden?

Weil der Anteil der Aufmerksamkeit, der auf den Weg geht, wegfällt. Was bleibt, ist Aufmerksamkeit auf das Ziel. Purer. Direkter. Wer ich bin, worauf ich schaue, welche Welt ich mir vorstelle. Das ist kein weicheres Thema. Das ist ein schärferes.

Execution war immer der Umweg zwischen Intention und Wirkung. Die Handwerkerin musste das Holz bearbeiten. Der Programmierer musste den Code schreiben. Die Absicht allein hat nichts bewegt. Wenn Execution Commodity wird, verkürzt sich der Umweg. Aufmerksamkeit auf ein Ziel fängt an, direkt Konsequenzen zu haben. Nicht magisch. Strukturell.

Die Generation, die das nicht mehr versteht

Ich bin Millennial. Ich kann mir vorstellen, wie es war, nicht erreichbar zu sein. Nicht gut, aber ich kann es mir vorstellen. Was ich mir nicht vorstellen kann, nicht wirklich: zum nächsten Dorf laufen, um jemandem etwas zu sagen. Die Vorstellung ist nicht unbequem. Sie ist absurd.

Für die Generation, die gerade aufwächst, wird manuelle Ausführungsarbeit dasselbe Gefühl haben. Nicht: „Das ist ineffizient.“ Sondern: „Warum hat man das selbst gemacht?“ Für sie ist das Lenken von Aufmerksamkeit auf ein Ziel die primäre Form von Agency. KI führt aus. Der Mensch richtet.

Das Wort „manifestieren“ klingt esoterisch. Ich benutze es trotzdem, weil es strukturell das Richtige beschreibt: Wenn du klar auf ein Ziel schaust und Systeme hast, die ausführen, schrumpft der Abstand zwischen Absicht und Ergebnis. Das ist keine Positiv-Denken-Rhetorik, sondern Amdahls Gesetz, angewendet auf Absicht.

Wer gewinnt?

Nicht die Person mit den besten Tools. Tools werden Commodity. Es gewinnt, wer weiß, worauf sie schaut.

Das heißt praktisch: Der Hebel liegt nicht darin, noch mehr Agenten anzuschalten. Er liegt darin, den seriellen Anteil klein zu halten. Systeme so zu bauen, dass weniger durch dich hindurch muss. Den strukturellen Weg dahin habe ich in „Wenn der Mensch zum Bottleneck wird“ beschrieben: Wissen so organisieren, dass Agenten weniger Rückfragen brauchen. Und den Rest deiner Aufmerksamkeit nicht auf den Weg zu richten, sondern auf das Ziel.

Ich baue gerade das Tooling für diese zweite Phase. Nicht weil ich sicher bin, dass sie kommt. Sondern weil ich täglich in der ersten lebe und weiß, was es kostet, wenn Aufmerksamkeit noch auf Weg und Ziel gleichzeitig verteilt werden muss. Wenn der Weg wegfällt, bleibt etwas sehr Klares übrig.

Das Paper, das diese Ära gestartet hat, heißt „Attention is All You Need“. Vaswani hatte vermutlich keine Ahnung, wie Recht er hatte.