AI-Müdigkeit ist real, aber niemand spricht darüber

(siddhantkhare.com)

17 Punkte von GN⁺ 2026-02-09 | Noch keine Kommentare. | Auf WhatsApp teilen

Seit der Einführung von AI verbreitet sich unter Ingenieuren das Phänomen, dass die Produktivität steigt, aber auch die Erschöpfung zunimmt
Die Arbeitsgeschwindigkeit ist gestiegen, doch Arbeitsmenge und Erwartungen wachsen gleichzeitig, wodurch die menschliche Koordinations- und Prüfungsbelastung zunimmt
Durch die wiederholte Prüfung und Beurteilung von AI-Code häufen sich Entscheidungsmüdigkeit und kognitive Erschöpfung
Die ständige Jagd nach neuen Technologien, die Müdigkeit durch Werkzeugwechsel und nichtdeterministische AI-Ausgaben verursachen Angst und Burnout
Für eine nachhaltige Nutzung von AI sind klare Grenzen, Zeitmanagement und weniger Perfektionismus unerlässlich

Das Paradox von AI-Produktivität und Erschöpfung

AI verkürzt die Zeit für einzelne Aufgaben, aber das Gesamtvolumen der Arbeit und die Erwartungen steigen gleichzeitig
- Im Vergleich zu früher, als man einen ganzen Tag für eine Aufgabe aufwendete, werden heute mehrere Probleme gleichzeitig bearbeitet, wodurch die Kosten des Kontextwechsels steigen
Die Produktionskosten sind gesunken, aber die Kosten für Koordination, Prüfung und Beurteilung sind gestiegen, und diese Last wird vollständig auf Menschen abgewälzt
Auch wenn AI schnell Code generiert, steigt die kognitive Erschöpfung des Menschen in dieser Struktur eher noch an

Nach der Einführung von AI hat sich die Rolle von Ingenieuren vom Schöpfer zum Bewerter verschoben
- Das wiederholte Bewerten von Prompt-Eingaben, Ergebnisprüfung sowie Einschätzung von Genauigkeit und Sicherheit rückt in den Mittelpunkt
Generative Arbeit erzeugt Flow, bewertende Arbeit erzeugt Erschöpfung
Wegen der mangelnden Verlässlichkeit von AI-Code wächst die Belastung, jede einzelne Zeile prüfen zu müssen
Dadurch nimmt die Bedeutung von Systemen für Sicherheit und Berechtigungsverwaltung zu, und es braucht Ansätze, die die kognitive Last des Menschen verringern

AI ist ein nichtdeterministisches System, das selbst bei gleicher Eingabe unterschiedliche Ausgaben liefert, was mit der Denkweise von Ingenieuren kollidiert
Derselbe Prompt kann zu unterschiedlichen Ergebnissen führen und eine nicht debuggbare Instabilität verursachen
Um dies abzumildern, wurde das deterministische Kontextbereinigungs-Tool Distill entwickelt, das für konsistente Eingaben sorgt
Einige Ingenieure betrachten AI-Ausgaben als „unvollständigen Entwurf“ und kalkulieren die Zeit für Nachbearbeitung bewusst mit ein

In den vergangenen Monaten sind unzählige AI-Agenten, Frameworks und SDKs in rasantem Tempo erschienen
Der Versuch, mit neuen Tools Schritt zu halten, führt zu einem Teufelskreis aus dauerhaftem Lernen und ständigem Wechsel
Es entstehen Wissensverlust und doppelte Arbeit, und in manchen Fällen sind diejenigen effizienter, die nicht sofort zu den Early Adopters gehörten
Der Autor konzentriert sich auf die Infrastrukturebene (Berechtigungen, Kontext, Sicherheit) und verfolgt damit einen Ansatz, der weniger anfällig für Tool-Wechsel ist

Weil AI-Ausgaben nicht perfekt sind, geraten Nutzer leicht in eine Schleife aus wiederholten Prompt-Anpassungen
Wiederholte Versuche wirken produktiv, verschwenden aber mehr Zeit mit Prompt-Tuning als mit echter Problemlösung
Um effizient zu bleiben, wird eine „3-Versuche-Regel“ angewendet: Wenn das Ergebnis nach drei Anläufen nicht zu mindestens 70 % nützlich ist, wird direkt selbst geschrieben

AI-Ausgaben sind immer nur „fast richtig“, was für perfektionistisch veranlagte Ingenieure großen Stress bedeutet
Wiederholte kleine Korrekturen führen zu emotionaler Erschöpfung und Zeitverschwendung
Effizienter ist es, AI-Ergebnisse als „Entwurf“ zu betrachten und sie zügig weiterzuverarbeiten

Durch die Abhängigkeit von AI kommt es zu einem Rückgang von Problemlösungsdenken und Designfähigkeit
Die Gewohnheit, nicht mehr selbst zu denken, führt dazu, dass der „Denkmuskel“ verkümmert
Um das zu verhindern, wird täglich eine feste Zeit für Denken und Entwurf ohne AI eingeplant

In sozialen Netzwerken werden meist nur Beispiele für schnelle Erfolge mit AI geteilt, während persönliches Scheitern oder Erschöpfung unsichtbar bleiben
Da AI-Erfolge nur schwer reproduzierbar sind, ist schon der Vergleich selbst wenig sinnvoll
Sinnvoller ist es, den Informationskonsum zu reduzieren und sich auf vertrauenswürdige Quellen mit Fokus auf tatsächlichen Aufbau und Betrieb zu konzentrieren

Zeitlimits für AI-Sessions, um übermäßige Wiederholung zu vermeiden
Trennung von Denkzeit und AI-Nutzungszeit, um das kognitive Gleichgewicht zu wahren
70 % Fertigstellungsgrad akzeptieren, Perfektionismus abbauen
Zeitpunkt der Einführung neuer Technologien hinauszögern und vor allem bewährte Tools nutzen
Ein Log zur AI-Effizienz führen, um den tatsächlichen Nutzen und die Grenzen besser zu verstehen
Den Prüfungsumfang verkleinern und sich nur auf Kernbereiche konzentrieren

AI hebt die natürlichen Grenzen der Arbeitsgeschwindigkeit auf und beschleunigt Überarbeitung
Wenn Menschen ihre kognitiven Grenzen überschreiten, entsteht Burnout, der sich nicht nur individuell, sondern als systemisches Problem ausbreitet
Der Schlüssel zur Erholung liegt nicht in der Menge der AI-Nutzung, sondern in einer Neugestaltung der Nutzungsweise
Inmitten dieser Erschöpfung entstanden praktische Problemlösungs-Tools wie Distill, agentic-authz und AgentTrace

Die wichtigste Fähigkeit im AI-Zeitalter ist das Urteilsvermögen zu wissen, wann man aufhören sollte
Die Fähigkeit, bei einem ausreichend guten Ergebnis zu stoppen und zu erkennen, wann man selbst schreiben oder eine Pause machen sollte
Das menschliche Gehirn als endliche Ressource zu schützen, ist wahres Engineering
AI ist mächtig, aber kognitiv das erschöpfendste Werkzeug; kluger Einsatz ist der Schlüssel zur Nachhaltigkeit
Nachhaltiger Output ist der wahre Wert und das eigentliche Ziel des AI-Einsatzes