Ich merke es nicht sofort.
Erst nach einer Stunde KI-Arbeit: drei Prompts offen in verschiedenen Tabs, zwei Quellen irgendwo notiert, eine halbfertige Idee im Kopf geparkt, ein Debugging-Pfad, der ins Leere lief und den ich später noch einmal ausprobieren wollte.
Dann wird das Denken zäher.
Nicht erschöpft. Nur voller.
Das Gefühl kennst du
Es ist nicht Burnout. Burnout schleicht sich über Wochen an und hat einen Bogen. Das hier ist etwas anderes: ein akutes Vollwerden des Kopfes innerhalb einer einzigen Session.
Der Ton, in dem ich mit mir selbst spreche, wird kürzer. Entscheidungen fühlen sich klebrig an. Ich lese denselben Absatz zum dritten Mal, weil ich zwischendurch prüfen wollte, ob der Prompt in Tab 2 schon fertig gelaufen ist.
Das ist kein persönliches Versagen. Es ist ein struktureller Effekt. Und ich glaube, wer regelmäßig mit KI arbeitet, kennt diesen Zustand, auch wenn er selten explizit benannt wird.
Working Memory hat vier Slots. KI-Arbeit braucht zwölf.
Klassische Wissensarbeit ist meistens sequenziell. Ein Dokument. Ein Gedankengang. Eine Recherche. Man kann Fäden nacheinander legen.
KI-Arbeit ohne Struktur ist simultan.
Der Original-Task muss im Kopf bleiben. Der KI-Output muss bewertet werden. Die Prompt-Varianten, die schon durch waren, müssen erinnert werden, sonst wiederholt man sich. Die Qualität der Quellen will eingeschätzt sein. Offene Folgefragen tauchen auf und wollen entweder sofort verfolgt oder irgendwo geparkt werden.
Alles gleichzeitig, in einer einzigen Aufgabe.
Working Memory hat eine Kapazität von etwa vier Items. Diese Last sprengt das regelmäßig. Man merkt es aber nicht direkt. Man merkt nur, dass irgendwann alles langsamer wird.
Dazu gibt es inzwischen erste Daten. Eine BCG-Studie mit 1.488 US-Wissensarbeitern hat den Effekt gemessen und “AI brain fry” genannt: akute kognitive Überlastung durch parallele KI-Nutzung, kein schleichendes Ausbrennen1. Ab vier parallelen Tools sinken die Produktivitätszuwächse wieder; drei parallele Tools waren in der Auswertung der Sweet Spot2. In Marketing-Teams berichten 26 Prozent von diesem Zustand3.
Interessant ist nicht die Zahl. Interessant ist, wo das Problem sitzt.
Das Problem sitzt nicht im Nutzen. Es sitzt im Überwachen.
Hier kommt die Wendung, die ich lange übersehen habe: KI kann kognitive Last senken.
Dieselbe BCG-Studie zeigt, dass Burnout-Werte um rund 15 Prozent sinken, wenn KI tatsächlich Routineaufgaben übernimmt. Das ist kein kleiner Effekt.
Das Chaos entsteht im Oversight-Modus.
Wenn ich nicht nutze, sondern überwache. Wenn ich gleichzeitig Validator, Korrektor und Entscheider für mehrere KI-Outputs bin. In der SVA-Zusammenfassung der Befunde ist genau dieser Oversight-Modus der teuerste Teil: hohe Überwachungsanforderungen gehen mit mehr mentaler Anstrengung, mehr mentaler Müdigkeit und mehr Informationsüberlastung einher2. Man ist auf einmal für Dinge verantwortlich, die man nicht selbst produziert hat, aber trotzdem prüfen muss.
Und diese Verantwortung skaliert mit jedem parallelen Arbeitsstrang. Das schützt vor einem billigen Fazit. Der Punkt ist nicht: “KI macht dumm.” Der Punkt ist präziser: unstrukturierte KI-Arbeit im Oversight-Modus überlastet uns.
Das Werkzeug ist nicht das Problem. Das fehlende System drumherum ist es.
Offene Schleifen brennen, auch wenn du nicht hinschaust
Warum überlastet dieser Modus so schnell?
Das Konzept, das mir hier am meisten geholfen hat, ist alt und stammt nicht aus der KI-Welt: David Allens “Open Loops”.
Allens Beobachtung, gestützt durch den Zeigarnik-Effekt aus der Psychologie, ist simpel: unabgeschlossene Commitments laufen im Kopf weiter4. Sie kosten kognitiven Treibstoff, auch wenn man gerade nicht aktiv an sie denkt.
Genau deshalb hat man morgens um vier plötzlich die Idee zur Steuererklärung im Kopf. Das Gehirn hält offene Schleifen aktiv, bis sie entweder erledigt oder in ein vertrauenswürdiges externes System übergeben sind.
Was ist eine unfertige Prompt-Iteration, wenn nicht eine offene Schleife?
Was ist ein Quellenhinweis, den ich mir mental gemerkt habe, weil ich ihn “gleich” verwenden wollte?
Was ist ein Debugging-Pfad, der nicht funktioniert hat und den ich nicht dokumentiert habe?
Alles offene Schleifen.
KI multipliziert die Zahl dieser Reste schneller als jedes andere Werkzeug, das ich kenne, weil sie die Zahl der Optionen so radikal vergrößert.
Dazu kommt ein zweiter Effekt: Context Switching. Jeder Wechsel zwischen KI-Tools ist eine Unterbrechung mit eigener Interface-Logik, eigenen Konventionen und eigenem mentalen Overhead5. Ohne System wird jeder Toolwechsel zu einer kleinen Amnesie: Wo war ich? Was hatte ich schon probiert?
Das ist der Mechanismus hinter dem zäh werdenden Denken.
Nicht Erschöpfung. Kognitive Last, die man selbst erzeugt, weil man nichts ablegt.
Ein Prinzip, keine Methode
Die Lösung ist keine große Methode.
Ich glaube nicht, dass irgendjemand ein sauber aufgesetztes Getting-Things-Done-System braucht, um mit KI produktiv zu sein. Getting Things Done, oft als GTD abgekürzt, ist eine bekannte Selbstorganisationsmethode von David Allen. Sie ist hilfreich, aber sie ist nicht der Punkt dieses Artikels.
Ich glaube auch nicht, dass es das eine Prompt-Management-Tool gibt, das dieses Problem löst.
Es geht um ein einziges Prinzip: alles raus aus dem Kopf, rein in irgendein externes System.
Bei mir sind das inzwischen drei Dinge, mehr nicht:
- Ein Arbeitslog als schlichte Markdown-Datei pro Projekt. Welche Prompts, Outputs und Entscheidungen waren relevant? Was hat funktioniert, was nicht, warum? Nicht schön, aber vorhanden.
- Ein Source-Sheet für Recherche-Sessions. URL, ein Satz Kontext, wofür ich sie verwenden wollte. Sonst vergesse ich innerhalb einer Stunde, warum ich einen Tab offen hatte.
- Eine Inbox für offene Fragen. Alles, was mir während einer Session einfällt und nicht jetzt dran ist, wandert dahin. Ein Einzeiler reicht.
Die Form ist sekundär. Das Externalisieren ist primär.
Ich habe drei Anläufe mit ausgefeilteren Setups gebraucht, um das zu akzeptieren. Jedes Mal ist das schöne System nach zwei Wochen ungenutzt eingegangen, weil es zu viel Wartung brauchte.
Was übrig blieb, sind diese drei Dateien, die niemand außer mir jemals sehen wird und die ihren Zweck erfüllen: Sie holen die Loops aus dem Kopf.
Der Effekt ist nicht, dass ich schneller arbeite.
Der Effekt ist, dass ich nach einer Stunde noch denken kann.
Der stille Kollaps
Wer unstrukturiert mit KI arbeitet, delegiert nicht Arbeit. Er multipliziert offene Schleifen.
Das ist der Teil, der in den meisten Produktivitäts-Erzählungen über KI fehlt.
Das Denken kollabiert dabei nicht laut. Es wird nur stiller, zäher, voller. Man merkt es erst, wenn man aussteigt und feststellt, dass der Kopf noch eine halbe Stunde nachhallt, weil dort immer noch drei offene Arbeitsstränge und zwei ungelesene Quellen kreisen.
Ein externes System bricht diesen Kreislauf nicht, weil es Ordnung schafft.
Es bricht ihn, weil es das Gehirn freigibt, wieder zu denken.
Nicht: “Bau dir ein System.”
Sondern: Schau auf deinen letzten KI-Arbeitstag. Wie viele offene Schleifen hast du im Kopf behalten, statt sie irgendwo abzulegen?
Fang mit einer einzigen Inbox an.
Footnotes
-
BCG/HBR-Studie zu “AI brain fry”, März 2026: https://www.bcg.com/news/5march2026-when-using-ai-leads-brain-fry ↩
-
Abgrenzung zu klassischem Burnout und Mechanismus des Oversight-Modus: https://consulting.sva.com/insights/ai-brain-fry-the-productivity-cost-nobodys-measuring ↩ ↩2
-
Einordnung der HBR/BCG-Befunde zu Marketing-Teams und “AI brain fry”: https://www.searchenginejournal.com/marketers-report-highest-rates-of-ai-brain-fry-report-finds/569110/ ↩
-
Zum Open-Loops-Konzept und Zeigarnik-Effekt: https://super-productivity.com/blog/gtd-inbox-capture-system/ ↩
-
Zu den Kosten von Context Switching bei parallelen Tool-Wechseln: https://www.cognitiveeconomy.org/context-switching-cost/ ↩