Human-AI Teams: Wie sie Team­ent­wick­lung revo­lu­tio­nieren

Human-AI Teams stellen nicht nur unsere Zusam­men­ar­beit infrage. Sie fordern auch die Konzepte heraus, mit denen wir seit Jahr­zehnten Teams entwi­ckeln: Phasen­mo­delle, Stär­ken­ana­lysen, das Wir-Gefühl.

In letzter Zeit werde ich immer häufiger für eine Art Inventur ange­fragt. Unter­nehmen wollen ihre bishe­rigen Maßnahmen aus Coaching, Führungs- und Team­ent­wick­lung über­prüfen: Was davon brau­chen wir noch? Was funk­tio­niert weiterhin? Und welche Instru­mente passen nicht mehr in eine Arbeits­welt, in der Menschen zuneh­mend mit KI zusam­men­ar­beiten?

Ich finde diese Fragen ausge­spro­chen sinn­voll. In ihnen steckt aller­dings oft schon ein Denk­fehler: Wir schauen auf Methoden und Modelle, obwohl wir eigent­lich über die Archi­tektur von Zusam­men­ar­beit spre­chen müssten.

Eine Hand­voll Studien hilft mir, diesen Gedanken zu schärfen. Sie liegen fast fünfzig Jahre ausein­ander und zeigen zusammen, wo unsere Modelle tragen und wo sie an ihre Grenzen kommen, wo wir nicht nur weiter- sondern neudenken müssen.

Phasen­mo­delle sind keine Natur­ge­setze

Nehmen wir das Tuckman-Modell: Forming, Stor­ming, Norming, Performing. Gene­ra­tionen von Trainer:innen und Coaches haben damit gear­beitet. Ich habe es immer skep­tisch betrachtet, weil es Linea­rität sugge­riert, wo Entwick­lung selten linear verläuft. Teams durch­laufen keine feste Abfolge vorher­seh­barer Phasen, an deren Ende Leis­tung steht; sie verän­dern sich, wenn Aufgaben, Personen, Rahmen­be­din­gungen und Erwar­tungen sich verän­dern. Manchmal abrupt: Es reicht schon, wenn eine charis­ma­ti­sche Person das Unter­nehmen verlässt.

Umbrüche kommen auch von außen

Die Forschung stützt das. Gersick (1988) beglei­tete acht reale Projekt­teams über ihre gesamte Lebens­dauer und fand keine stufen­weise Entwick­lung: Die Teams blieben lange in einem einmal gefun­denen Muster und rich­teten sich dann in einem kurzen, konzen­trierten Umbruch neu aus. Morgeson, Mitchell und Liu (2015) erklären mit ihrer Event System Theory, warum solche Umbrüche auch von außen kommen: Ereig­nisse können auf jeder Ebene einer Orga­ni­sa­tion entstehen und nach oben oder unten durch­schlagen. Je neuar­tiger, störender und bedeut­samer ein Ereignis ist, desto stärker verän­dert es Verhalten und Struk­turen; Ereig­nisse auf höheren Ebenen mit breiter Streuung wirken beson­ders stark. Der Weggang einer prägenden Person ist genau so ein Ereignis, und sie muss dazu nicht einmal aus dem Team kommen: Es reicht ein Führungs­wechsel an der Spitze des Unter­neh­mens.

Was Tuckman selbst belegen konnte

Tuckman hat sein Modell 1965 aus 50 Arti­keln über Therapie‑, Trai­­nings- und Labor­gruppen abge­leitet, also aus Beschrei­bungen, nicht aus Tests. 1977 sich­tete er gemeinsam mit Mary Ann Jensen 22 Studien, die seitdem erschienen waren. Nur eine davon (Runkel et al., 1971) hatte die Phasen­ab­folge tatsäch­lich geprüft. Die übrigen beschrieben Grup­pen­ver­läufe mit eigenen Begriffen und eigenen Phasen; Tuckman und Jensen ordneten diese Beschrei­bungen nach­träg­lich den vier Stufen zu. Belegen konnten sie die Abfolge damit nicht; am Ende forderten die beiden selbst mehr empi­ri­sche Forschung. Was sie trotzdem taten: Sie ergänzten eine fünfte Phase, Adjour­ning, die Auflö­sung des Teams. Mehrere der gesich­teten Studien hatten eine Phase beschrieben, in der Gruppen ihre Arbeit abschließen und ausein­an­der­gehen. Dieselbe Art von Mate­rial, die die vier Phasen nicht prüfen konnte, reichte also aus, um eine weitere hinzu­zu­fügen.

Das macht das Modell nicht falsch, denn Modelle sind weder richtig noch falsch: Sie passen zu einer Frage­stel­lung, oder sie sind für sie unter­kom­plex. Es zeigt aber, dass schon sein Urheber es als offene Hypo­these behan­delt hat. Wer es heute als Natur­ge­setz der Team­ent­wick­lung lehrt, ist strenger als Tuckman selbst war.

Fahr­plan oder Beob­ach­tungs­hilfe

Viel hängt davon ab, wie man das Modell vermit­telt. Linear gelesen wird es zum Fahr­plan: erst streiten, dann einigen, dann leisten. Als Beob­ach­tungs­hilfe gelesen, unab­hängig von einer Reihen­folge, beschreibt es Dyna­miken, die in jedem Team gleich­zeitig oder im Wechsel auftau­chen können: Orien­tie­rung, Reibung, Norm­bil­dung, Leis­tung. Ob diese Phasen Voraus­set­zung für ein funk­tio­nie­rendes Team sind und ob es über­haupt sinn­voll ist, sich so ausführ­lich mit ihnen zu beschäf­tigen, darf man aller­dings bezwei­feln.

Gestal­tung wirkt stärker als Beglei­tung

Richard Hackman, der Teams über Jahr­zehnte erforscht hat, setzt den Schwer­punkt woan­ders. Er schlägt eine 60–30–10-Regel vor: Etwa 60 Prozent dessen, was eine Führungs­kraft zur Wirk­sam­keit eines Teams beiträgt, geschieht, bevor das Team sich zum ersten Mal trifft, nämlich im Design von Aufgabe, Zusam­men­set­zung, Normen und Ressourcen. 30 Prozent entfallen auf den Start, nur 10 Prozent auf das Coaching im laufenden Prozess. Grup­pen­phasen tauchen in diesem Bild nicht auf. Auch hier ist Genau­ig­keit ange­bracht: Hackman hat die Regel als Faust­regel formu­liert; viele Darstel­lungen machen daraus eine exakte Auftei­lung der Varianz in der Team­leis­tung, die er so nicht behauptet hat. Die Rich­tung ist trotzdem deut­lich: Gestal­tung wirkt stärker als Beglei­tung.

Was ein Modell sichtbar macht und was es verdeckt

Ein Modell gibt immer auch eine Sprache: Sie kann helfen, Beob­ach­tungen zu ordnen und ansprechbar zu machen. Sie kann aber ebenso den Blick auf das lenken, was das Modell vorsieht, und von dem ablenken, was gerade wich­tiger wäre.

Bei Team­works und in unserem Buch „Teams & Team­ent­wick­lung“ haben wir das Modell deshalb mit Themen kombi­niert, die für ein Team entschei­dend sind, etwa mentale Modelle: Welche Vorstel­lungen von Aufgabe, Rollen und Zusam­men­ar­beit teilt ein Team, und wo gehen sie ausein­ander? So wird aus dem Phasen­schema ein Raster für Fragen statt einer Prognose.

Human-AI Teams machen diese Schwäche sicht­barer. Wenn ein KI-Agent dazu­kommt, über Nacht ein Update erhält oder neue Zugriffs­rechte bekommt, verän­dert sich die Konstel­la­tion, ohne dass irgend­je­mand „Forming“ ausruft.

Warum Mensch + KI nicht auto­ma­tisch besser ist

Human-AI Teaming, kurz HAIT, beschreibt Zusam­men­ar­beit, in der KI eine eigene funk­tio­nale Rolle hat und mehr ist als ein passives Werk­zeug. Das kann ein Assis­tenz­system sein, zuneh­mend auch ein Agent, der Aufgaben über­nimmt, Ergeb­nisse prüft oder Prozesse selbst­ständig anstößt. Die nahe­lie­gende Erwar­tung lautet: Wer mensch­liche und künst­liche Intel­li­genz zusam­men­bringt, bekommt mehr als von beiden allein.

Was 106 Expe­ri­mente zeigen

So einfach ist es nicht. Vaccaro, Almaa­touq und Malone haben 2024 in einer präre­gis­trierten Meta­ana­lyse 106 Expe­ri­mente mit 370 Effekt­größen ausge­wertet, erschienen zwischen Januar 2020 und Juni 2023. Im Durch­schnitt war die Kombi­na­tion deut­lich besser als der Mensch allein (g = 0,64, ein mitt­lerer bis großer Effekt). Gegen­über dem jeweils stär­keren Einzel­ak­teur schnitt sie aber schlechter ab (g = −0,23).

Bei Entschei­dungs­auf­gaben, also der Wahl zwischen festen Optionen, kam es häufiger zu Verlusten. Bei Aufgaben, in denen Inhalte entstehen, zeigten sich deut­lich güns­ti­gere Werte.

Wer allein besser ist, entscheidet

Am meisten beschäf­tigt mich ein anderer Befund. War der Mensch allein besser als die KI, gewann die Kombi­na­tion (g = +0,46). War die KI allein besser, verlor die Kombi­na­tion gegen­über der KI (g = −0,54). Meine Lesart: Menschen greifen gerade dort ein, wo sie es besser ließen, und erkennen schlecht, wann das der Fall ist.

Wie das aussieht, zeigt eine rando­mi­sierte Studie von Goh und Kollegen (2024): 50 Ärzt:innen mit Zugang zu GPT‑4 erreichten bei komplexen Fall­vi­gnetten kaum bessere Werte als ohne (76 gegen 74 Prozent), während die KI allein auf rund 92 Prozent kam. Viele über­nahmen die Einschät­zung des Modells schlicht nicht; die Studie ist klein und nicht Teil der Meta­ana­lyse, zeigt das Muster aber deut­lich

Was die Studie nicht zeigt

Die Einschrän­kungen gehören dazu. Unter­sucht wurden über­wie­gend Einzel­per­sonen, die bei einzelnen Entschei­dungen von KI unter­stützt wurden, kaum lang­fristig zusam­men­ar­bei­tende Teams mit mehreren Menschen und Agenten. Die Studien stammen aus der Zeit vor den heutigen Modell­ge­ne­ra­tionen, die Ergeb­nisse streuen stark, und die Autor:innen benennen selbst einen mögli­chen Publi­ka­ti­ons­bias.

Komple­men­ta­rität ist noch keine Synergie

Trotzdem ist das Ergebnis für die Team­ent­wick­lung bemer­kens­wert: Komple­men­ta­rität führt nicht auto­ma­tisch zu Synergie. Unter­schied­liche Kompe­tenzen zu besitzen ist das eine; sie produktiv mitein­ander zu verbinden, etwas ganz anderes.

Genau hier liegt ein Problem vieler klas­si­scher Ansätze der Personal- und Team­ent­wick­lung. Sie inter­es­sieren sich stark für Eigen­schaften und Fähig­keiten: Wer hat welche Stärken? Welche Persön­lich­keit passt zu welcher Aufgabe? Das ist nicht irrele­vant, aber es reicht nicht. Mindes­tens ebenso wichtig ist, wie Aufgaben verteilt werden und wie Entschei­dungen zustande kommen. Wer darf was? Wer prüft wen? Was geschieht bei wider­sprüch­li­chen Ergeb­nissen, und wer trägt die Verant­wor­tung? Mit KI werden diese Fragen nicht neu erfunden. Sie werden dring­li­cher.

Brau­chen KI-Team­­­mi­t­­glieder ein Wir-Gefühl?

Das Expe­ri­ment

Rieth, Ontrup, Kluge und Hage­mann vergli­chen 2026 in einem Labor­ex­pe­ri­ment 67 Teams. Ein mensch­li­ches Zwei­er­team arbei­tete zunächst allein und bekam dann ein drittes Mitglied: entweder einen weiteren Menschen oder eine KI. Die Teams mit KI zeigten eine gerin­gere Team­ko­hä­sion und eine schwä­chere Team­i­den­ti­fi­ka­tion. Bei der psycho­lo­gi­schen Sicher­heit gab es keinen signi­fi­kanten Unter­schied. Und die Unter­schiede bei Kohä­sion und Iden­ti­fi­ka­tion waren nicht mehr signi­fi­kant, sobald Vertrauen und subjektiv wahr­ge­nom­mene Leis­tung in die Analysen einbe­zogen wurden.

Das Expe­ri­ment war kurz, die Stich­probe klein, die Teil­neh­menden über­wie­gend Studie­rende. Eine allge­meine Aussage über lang­fris­tige Human-AI Teams lässt sich daraus nicht ableiten. Es wirft aber Fragen auf, die für die Team­ent­wick­lung zentral sind: Muss eine KI über­haupt Teil einer gemein­samen Team­i­den­tität werden? Muss zwischen einem Menschen und einem Agenten etwas entstehen, das wir aus mensch­li­chen Teams als Zusam­men­ge­hö­rig­keit kennen?

Zusam­men­ar­beit ohne Iden­ti­fi­ka­tion

Darin steckt ein Kate­go­rien­fehler. Ich kann mit einer KI hervor­ra­gend zusam­men­ar­beiten, ohne mich mit ihr zu iden­ti­fi­zieren; ich kann ihr Aufgaben über­tragen, ihre Ergeb­nisse schätzen und trotzdem kein Bedürfnis nach einer sozialen Bezie­hung zu ihr haben. Bei mensch­li­chen Kolleg:innen ist das anders. Dort tragen Zuge­hö­rig­keit, Gegen­sei­tig­keit und Aner­ken­nung die Zusam­men­ar­beit.

Team­i­den­tität wird dadurch nicht unwichtig. Wir sollten aber präziser fragen, zwischen wem sie entstehen muss und welche Funk­tion sie erfüllt.

Ist KI Teil des sozialen Systems?

Ein KI-Agent erhält über Nacht ein Update. Plötz­lich kann er andere Aufgaben über­nehmen, hat Zugriff auf zusätz­liche Infor­ma­tionen oder verhält sich anders als zuvor. Niemand ist neu ins Team gekommen, niemand hat es verlassen; trotzdem kann sich die Zusam­men­ar­beit grund­le­gend verän­dern. Wie passt das zu unseren bishe­rigen Vorstel­lungen von Team­ent­wick­lung?

Was Luhmann und Espo­sito dazu sagen

Die Frage führt zu Niklas Luhmann. Streng system­theo­re­tisch sind nicht einmal Menschen Elemente sozialer Systeme: Diese bestehen aus Kommu­ni­ka­tion, Menschen mit ihrem Bewusst­sein gehören zur Umwelt des Systems.

Die Sozio­login Elena Espo­sito hat diesen Gedanken auf Algo­rithmen über­tragen. In „Arti­fi­cial Commu­ni­ca­tion“ (2022) fragt sie, ob Algo­rithmen an Kommu­ni­ka­tion teil­nehmen können, obwohl sie nichts verstehen. Ihre Antwort lautet ja: Entschei­dend ist, ob ihre Beiträge kommu­ni­kativ aufge­griffen werden und weitere Kommu­ni­ka­tion ermög­li­chen. Algo­rithmen werden dadurch nicht zu Subjekten; sie verstehen nicht wie Menschen und tragen keine Verant­wor­tung.

Ein KI-Agent muss also nicht im mensch­li­chen Sinn Team­mit­glied sein, um die Kommu­ni­ka­tion eines Teams zu prägen. Er macht Vorschläge, auf die Menschen reagieren, und verän­dert Infor­ma­ti­ons­flüsse, Erwar­tungen und mögli­cher­weise Entschei­dungen.

Warum KI trotzdem nicht ins Orga­ni­gramm gehört

Genau deshalb halte ich den aktu­ellen Trend für proble­ma­tisch, KI-Agenten als Mitar­beiter ins Orga­ni­gramm aufzu­nehmen. Wiles, Hsu, Bedard und Kropp (2026) haben unter­sucht, was diese Einord­nung bewirkt. Sie befragten 1.261 Führungs­kräfte aus HR und Finanzen; 23 Prozent gaben an, dass ihre Orga­ni­sa­tion KI-Agenten bereits im Orga­ni­gramm oder in Arbeits­ab­lauf­dia­grammen führt. In einem Expe­ri­ment prüften 813 von ihnen iden­ti­sche, absicht­lich fehler­hafte Doku­mente. Vari­iert wurde nur, wer sie angeb­lich erstellt hatte: ein KI-Werk­­zeug, ein „KI-Mitar­­beiter“ oder ein mensch­li­cher Mitar­beiter.

Im Gesamt­durch­schnitt waren die Effekte gering. In Orga­ni­sa­tionen, die KI bereits im Orga­ni­gramm führen, sah es anders aus. Wurde der Entwurf einem KI-Mitar­­beiter statt einem Werk­zeug zuge­schrieben, entdeckten die Führungs­kräfte 17 Prozent weniger Fehler, forderten um 22 Prozent­punkte häufiger eine zusätz­liche Prüfung durch andere an und schrieben sich selbst weniger, der KI aber mehr Verant­wor­tung zu. Die Autor:innen nennen das einen Hot-Potato-Effekt: Die Kontrolle verschwindet nicht, sie wird weiter­ge­reicht. Am sorg­fäl­tigsten prüften die Führungs­kräfte, wenn sie glaubten, ein Mensch habe den Entwurf geschrieben.

Wir sollten KI funk­tional in die Zusam­men­ar­beit inte­grieren, ohne ihr eine mensch­liche Posi­tion in der Orga­ni­sa­tion zuzu­schreiben. Ein Orga­ni­gramm zeigt, wo Zustän­dig­keit und Verant­wor­tung liegen. KI-Agenten gehören deshalb eher in die Darstel­lung von Arbeits­pro­zessen, Schnitt­stellen und Entschei­dungs­ar­chi­tek­turen als auf Mitar­bei­ter­stellen. Die Autor:innen selbst empfehlen, jedem Agenten eine ausdrück­lich verant­wort­liche Person zuzu­ordnen. Genau das kann ich aus eigener Erfah­rung bestä­tigen.

Wer zum Team gehört und was es prägt

Das bedeutet bei weitem nicht, dass Agenten das soziale System unver­än­dert lassen. Ein einziger neuer Agent kann neue Kommu­­ni­­ka­­tions- und Entschei­dungs­muster entstehen lassen, obwohl die mensch­liche Beset­zung gleich bleibt. Für mich ist das eine der span­nendsten Konse­quenzen von Human-AI Teaming: Wir müssen unter­scheiden zwischen der Frage, wer zu einem Team gehört, und der Frage, was seine Kommu­ni­ka­tion prägt. KI funk­tional inte­grieren, mensch­liche Verant­wor­tung aber nicht verwi­schen.

Der gemein­same Dreh­punkt: kali­briertes Vertrauen

Legt man die Studien von Vaccaro und Rieth neben­ein­ander, zeigt sich ein gemein­samer Dreh­punkt: Vertrauen. Bei Vaccaro verliert die Kombi­na­tion dort, wo Menschen nicht erkennen, wann die KI besser ist. Bei Rieth verschwinden die Unter­schiede im Team­er­leben, sobald Vertrauen und wahr­ge­nom­mene Leis­tung einbe­zogen werden. Wiles und Kollegen zeigen die Kehr­seite: Wo KI als Mitar­beiter gilt, prüfen Führungs­kräfte weniger selbst und reichen Verant­wor­tung weiter.

Entschei­dend ist also weder die Kompe­tenz der Betei­ligten noch das Wir-Gefühl, sondern ob Vertrauen kali­briert ist: ob es dort entsteht, wo eine KI nach­weis­lich gut arbeitet, und dort fehlt, wo sie es nicht tut. Zu viel Vertrauen führt zum Durch­winken, zu wenig zum Über­stimmen der besseren Lösung. Das lässt sich nicht trai­nieren wie eine Haltung. Es muss in Abläufe einge­baut werden: über Prüf­schleifen, Rück­mel­dungen darüber, wer wann richtig lag, und klare Regeln, wann ein mensch­li­ches Urteil Vorrang hat und wann nicht.

Führung ist kein Persön­lich­keits­merkmal

HAIT beschleu­nigt eine Entwick­lung, die sich schon länger abzeichnet: Wir müssen Führung und Team­ent­wick­lung stärker zusam­men­denken. Viele unserer Instru­mente beruhen implizit auf der Vorstel­lung, dass Führung etwas ist, das Führungs­kräfte tun, während Team­ent­wick­lung mit Teams geschieht. Aus syste­mi­scher Perspek­tive war diese Tren­nung schon immer proble­ma­tisch.

Führung entsteht nicht allein aus Persön­lich­keit oder Kompe­tenz. Sie zeigt sich in Entschei­dungen, Kommu­ni­ka­ti­ons­mus­tern, Struk­turen und Erwar­tungen; sie ist eine Funk­tion orga­ni­sierter Zusam­men­ar­beit und keine Eigen­schaft einzelner Personen.

Was KI-Agenten an Führung verän­dern

Wenn KI-Agenten Infor­ma­tionen beschaffen, Abläufe koor­di­nieren, Vorschläge prio­ri­sieren oder Entschei­dungen vorbe­reiten, wird beson­ders deut­lich, wie unzu­rei­chend ein rein perso­nen­be­zo­genes Führungs­ver­ständnis ist. Die Verant­wor­tung von Führungs­kräften verschwindet dadurch nicht. Sie verschiebt sich: hin zur Gestal­tung der Bedin­gungen, unter denen Menschen und KI zusam­men­ar­beiten, und zur Frage, welche Entschei­dung an welcher Stelle getroffen werden darf.

Hier wird Orga­ni­sa­ti­ons­ent­wick­lung wich­tiger als manches klas­si­sche Führungs­trai­ning.

Weniger Modell­gläu­big­keit, mehr Archi­tektur

Ich plädiere nicht dafür, alle bishe­rigen Konzepte der Team­ent­wick­lung abzu­schaffen. Das wäre genauso undif­fe­ren­ziert, wie sie unver­än­dert weiter­zu­ver­wenden. Wir müssen ihre Bedeu­tung aber neu gewichten.

Ein nettes Team­e­vent behebt keine unklare Verant­wor­tungs­struktur. Ein Phasen­mo­dell erklärt nicht, warum Entschei­dungen stecken bleiben. Und eine Stär­ken­ana­lyse beant­wortet nicht, wie mensch­liche und künst­liche Kompe­tenzen so inein­an­der­greifen, dass tatsäch­lich bessere Ergeb­nisse entstehen.

Die Fragen, die jetzt zählen

Mich inter­es­sieren deshalb zuneh­mend andere Fragen. Wie gestalten wir Rollen, ohne sie zu starr fest­zu­schreiben? Wie schaffen wir Klar­heit, ohne Flexi­bi­lität zu verhin­dern? Wie orga­ni­sieren wir Entschei­dungen, wenn nicht mehr jeder rele­vante Beitrag von einem Menschen stammt? Wir müssen dafür sorgen, dass Menschen ihre Hand­lungs­fä­hig­keit bewahren, denn KI wird ihnen immer mehr Denk- und Koor­di­na­ti­ons­ar­beit abnehmen.

Agency und Meta­denken

Den letzten Punkt halte ich für wesent­lich. Agency, die Fähig­keit, selbst­be­stimmt und wirksam zu handeln, wird zu einer zentralen Entwick­lungs­auf­gabe. Ebenso das Meta­denken: die Fähig­keit, das eigene Denken, Entscheiden und Zusam­men­ar­beiten zu beob­achten und zu hinter­fragen.

Wer KI sinn­voll in die Arbeit inte­grieren will, braucht mehr als KI-Kompe­­tenz. Er oder sie muss erkennen, wann das eigene Urteil gefragt ist, welche Annahmen eine KI mitlie­fert und wann man ihr wider­spre­chen sollte. Das sind keine isolierten Indi­vi­du­al­kom­pe­tenzen; die Arbeits­or­ga­ni­sa­tion muss sie ermög­li­chen und stützen.

Ein KI-Agent braucht deshalb keinen Kasten im Orga­ni­gramm. Er braucht einen klar defi­nierten Platz im Entschei­dungs­fluss.

Das Team ist nichts ohne die Orga­ni­sa­tion

Das ist für mich die eigent­liche Verschie­bung. Wir haben uns lange mit der Frage beschäf­tigt, wie wir Menschen zu besseren Teams machen. Künftig müssen wir fragen, wie wir Zusam­men­ar­beit so gestalten, dass Menschen, KI-Systeme und orga­ni­sa­tio­nale Struk­turen sinn­voll zusam­men­wirken. Das einzelne Element raus­zu­greifen macht punk­tuell Sinn, kann aber nur Teil einer Betrach­tung des Gesamt­sys­tems sein. Nicht jede Aufgabe braucht ein Team. Nicht jede Zusam­men­ar­beit braucht ein Wir-Gefühl. Entwick­lung verläuft nicht modell­haft in Phasen. So wie auch Probleme nicht verschwinden, wenn indi­vi­du­elle Kompe­tenzen wachsen.

Human-AI Teams machen diese Einsichten sichtbar. Sie zwingen uns, genauer hinzu­sehen, was wir eigent­lich entwi­ckeln wollen: Menschen, Bezie­hungen, Rollen, Entschei­dungen oder die Archi­tektur des ganzen Systems. Die klas­si­sche Team­ent­wick­lung verschwindet dabei nicht, aber ein Teil ihrer lieb gewon­nenen Instru­mente verliert an Gewicht.

Weiter­denken

Wir haben Jahr­zehnte darauf verwendet, Menschen beizu­bringen, einander zu vertrauen. Die nächste Entwick­lungs­auf­gabe ist unbe­quemer: zu lernen, wann man einer Maschine vertraut und wann man ihr wider­spricht, und Orga­ni­sa­tionen so zu bauen, dass diese Unter­schei­dung nicht vom Bauch­ge­fühl Einzelner abhängt.

Lite­ratur

Buch­tipp: Uwe Wein­reich: Menschen. Unter­nehmen. KI.: Zukunft gestalten in einer Wirt­schaft im Umbruch. Schaef­fere Poeschel 2026

• Espo­sito, E. (2017). Arti­fi­cial Commu­ni­ca­tion? The Produc­tion of Contin­gency by Algo­rithms. Zeit­schrift für Sozio­logie, 46(4), 249–265. https://doi.org/10.1515/zfsoz-2017–1014
• Espo­sito, E. (2022). Arti­fi­cial Commu­ni­ca­tion: How Algo­rithms Produce Social Intel­li­gence. Cambridge, MA: MIT Press.
• Gersick, C. J. G. (1988). Time and tran­si­tion in work teams: Toward a new model of group deve­lo­p­ment. Academy of Manage­ment Journal, 31(1), 9–41.
• Goh, E., Gallo, R., Hom, J. et al. (2024). Large Language Model Influence on Diagno­stic Reaso­ning: A Rando­mized Clinical Trial. JAMA Network Open, 7(10), e2440969. https://doi.org/10.1001/jamanetworkopen.2024.40969
• Hackman, J. R. (2011). Colla­bo­ra­tive Intel­li­gence: Using Teams to Solve Hard Problems. San Fran­cisco: Berrett-Koehler.
• Luhmann, N. (1984). Soziale Systeme. Grund­riss einer allge­meinen Theorie. Frank­furt am Main: Suhr­kamp.
• Morgeson, F. P., Mitchell, T. R. & Liu, D. (2015). Event System Theory: An event-oriented approach to the orga­niza­tional sciences. Academy of Manage­ment Review, 40(4), 515–537. https://doi.org/10.5465/amr.2012.0099
• Rieth, M., Ontrup, G., Kluge, A. & Hage­mann, V. (2026). Unvei­ling Team Emer­gent States in the Age of Human-AI Teaming. Inter­na­tional Journal of Human–Computer Inter­ac­tion, 1–28. https://doi.org/10.1080/10447318.2026.2635683
• Runkel, P. J., Lawrence, M., Oldfield, S., Rider, M. & Clark, C. (1971). Stages of group deve­lo­p­ment: An empi­rical test of Tuckman’s hypo­thesis. Journal of Applied Beha­vi­oral Science, 7, 180–193.
• Tuckman, B. W. (1965). Deve­lo­p­mental sequence in small groups. Psycho­lo­gical Bulletin, 63, 384–399.
• Tuckman, B. W. & Jensen, M. A. C. (1977). Stages of Small-Group Deve­lo­p­ment Revi­sited. Group & Orga­niza­tion Studies, 2(4), 419–427. https://doi.org/10.1177/105960117700200404
• Vaccaro, M., Almaa­touq, A. & Malone, T. (2024). When combi­na­tions of humans and AI are useful: A syste­matic review and meta-analysis. Nature Human Beha­viour, 8(12), 2293–2303. https://doi.org/10.1038/s41562-024–02024‑1
• Wageman, R. & Lowe, K. (2019). Desig­ning, laun­ching, and coaching teams: The 60–30–10 rule and its impli­ca­tions for team coaching. In K. Lowe (Hrsg.), The Practitioner’s Hand­book of Team Coaching (S. 121–137). London: Rout­ledge.
• Wiles, E., Hsu, M., Bedard, J. & Kropp, M. (2026). Putting AI on the Org Chart: Evidence on Dele­ga­tion and Accoun­ta­bi­lity. Working Paper, Boston Univer­sity und BCG, Fassung vom 19.09.2026. https://emmawiles.github.io/storage/ai_employee.pdf