Die Frau in dieser Szene existiert nicht. Sie ist eine Skizze nach den Regeln eines echten Callcenters, und alles, was sie tut, ist nach diesen Regeln erlaubt. Es ist neun Uhr morgens bei einem Online-Versicherungsmakler, und ihr Headset klickt. Das System teilt ihr ungefragt den ersten Kontakt des Tages zu. Es ist ein Mann, der am Vorabend bis zum Zahlungsbildschirm kam und dann die Seite schloss. Sie kann versuchen, ihn zu überzeugen, oder ihn für jemand anderen in die gemeinsame Warteschlange zurückschicken. Sie würde nichts verdienen, wenn ein Kollege ihm die Police verkauft, und die Warteschlange enthält noch ein Dutzend wie ihn.

Sie schickt ihn zurück. Das wird ihr nicht nachteilig angerechnet.

Was der Makler änderte

Das Callcenter ist echt, sein Name nicht. Die Autoren eines neuen Preprints nennen es Platform X, ein aufgrund einer Geheimhaltungsvereinbarung verwendetes Pseudonym. Es handelt sich um einen 2017 gegründeten, zugelassenen Online-Makler, der Kranken-, Schwere-Krankheiten-, Unfall- und Lebensversicherungen für Dutzende Versicherer verkauft. Seine Mitarbeiter rufen Menschen an, die einen Kauf unterwegs abgebrochen haben, in der untersuchten Stichprobe ungefähr zehntausend Anrufe pro Arbeitstag. Ein Kunde, der den Zahlungsbildschirm erreicht hat, ist ein heißer Kontakt. Wer früher abspringt, ist ein kalter Kontakt.

Bis 2024 lagen heiße und kalte Kontakte in einer Warteschlange, und das System gab den nächsten an den jeweils freien Mitarbeiter. Am 28. August 2024 änderte das Unternehmen die Zuteilung. Ein KI-Sprachagent, der seit Dezember 2023 abends und seit Juni 2024 tagsüber als Unterstützung telefonierte, übernahm nun standardmäßig kalte Kontakte. Menschen behielten Vorrang bei heißen. Der KI-Anteil an kalten Kontakten stieg von unter 25 auf über 60 %. Die im Artikel wiedergegebene Begründung des Managements war einfach: Eine KI, die pro Anruf fast nichts kostet, kann für Menschen oft unrentable Kontakte bearbeiten, während Menschen für lohnende Kontakte frei werden.

Die Arbeit von Xinyu Fu, Shulong Luo, Narayan Ramasubbu, Peng Shen, Xincheng Wang und Yucheng Wang wurde noch nicht begutachtet und beruht auf diesem einen Unternehmen. Ihr Design ist eine zeitliche Regressionsdiskontinuität: Es vergleicht Anrufe aus den 60 Tagen vor der Umstellung mit denen aus den 60 Tagen danach, 409.622 von Menschen und 157.468 von der KI bearbeitet, verteilt auf ungefähr 13.000 Mitarbeitertage. Laut den Autoren änderten sich Bezahlung, Gesprächsskripte, Schulung, Bewertung und Einstellungspraxis nicht; auch die Anrufe pro Mitarbeitertag stiegen am Stichtag nicht sprunghaft an.

Bessere Arbeit, schlechtere Ergebnisse

Die Zuteilung bewirkte, was das Management wollte. Bei den ersten drei Anrufen eines Mitarbeiters am Tag stieg die Wahrscheinlichkeit eines heißen Kontakts um 23,4 Prozentpunkte. Der Vorteil nahm im Schichtverlauf ab und erreichte bei den letzten Anrufen null.

Die Abschlussquote bewegte sich in die Gegenrichtung. Bei diesen ersten drei Anrufen sank der Anteil abgeschlossener Kontakte um 4,5 Prozentpunkte, bei den nächsten drei um 2,5. In der Tagesmitte blieb er unverändert, ganz am Ende stieg er um 3,4 Punkte. Die Verkäufe sanken dort am stärksten, wo sich die Kontakte am meisten verbesserten.

Laut den Autoren änderten Mitarbeiter zwei Verhaltensweisen. Sie schickten Kontakte häufiger zurück, bei den ersten drei Anrufen um 8,1 Prozentpunkte, und sprachen bei beibehaltenen Gesprächen etwa 13 % kürzer. Mitarbeiter erhalten ein bescheidenes Grundgehalt und Provisionen, die den größten Teil ihres Nettolohns ausmachen. Die Rückgabe eines Kontakts wurde nicht bestraft und floss nicht in ihre Bewertung ein. Weder Provisionssätze noch die Belohnung für einen Verkauf änderten sich.

Die Theorie des nächsten Kontakts

Frühere Erklärungen für KI am Arbeitsplatz erwarten nach der Zusammenfassung der Autoren Gewinne durch die Aufteilung von Aufgaben nach komparativen Vorteilen zwischen Menschen und Maschinen, wie Acemoglu und Restrepo 2019 argumentierten, oder durch KI, die Beschäftigte unterstützt, wie in der Kundendienststudie von Brynjolfsson, Li und Raymond. Keine sagt voraus, dass bessere Arbeit für Menschen deren Ergebnisse verschlechtert. Die Autoren wenden sich deshalb einer Idee aus der Ökonomie der Arbeitssuche zu: Suchende vergleichen das Vorliegende mit dem, was voraussichtlich noch kommt. Stigler schrieb 1961 über Informationsökonomie, McCall 1970 über Suche, und Lippman und McCall gaben 1976 einen Überblick über das Gebiet. Auf das Callcenter übertragen lautet die Logik: Wer als Nächstes einen guten Kontakt erwartet, will sich jetzt weniger mit einem mittelmäßigen abmühen. Die KI hatte die Erwartungen der Mitarbeiter an die gesamte Warteschlange erhöht. Der Effekt sollte früh am Tag am stärksten sein, wenn viele Kontakte verbleiben, und das war er.

Die Autoren testeten auch konkurrierende Erklärungen. Eine lautete, Mitarbeiter hätten einfach langsamer gearbeitet und längere Pausen zwischen Anrufen gemacht. Für die frühen Positionen berichten sie keine solche Lücke. Andere betrafen Änderungen der Kunden- und Belegschaftszusammensetzung sowie Lernen im Arbeitsalltag. Die Erklärung über den Reservationswert passt ihrer Ansicht nach am besten, mit einer eigenen Einschränkung: Umverteilung und Gesprächsdauer erklären nur einen bescheidenen Teil der sinkenden Abschlussquote. Der „Verhaltenseffekt“ sollte daher als alles gelesen werden, was Mitarbeiter anders machten, nicht als Beweis allein für diese beiden Verhaltensweisen.

Die Gewinne zählen

Bei der Bilanz wird die Arbeit unbequem. Im Modell der Autoren erhöht die bessere Reihenfolge heißer Kontakte deren Ertrag um 0,58 %, während die Verhaltensänderung ihn um 17,6 % senkt, etwa dreißigmal so viel. Die Abschlussquote heißer Kontakte fiel von 4,4 auf 3,7 %. Über alle menschlichen Anrufe sank sie von 3,2 auf 2,9 %. Die Autoren beschreiben den Effekt auf die menschliche Tagesleistung als nahezu null, gegenüber diesem Rückgang bei den heißen Kontakten selbst.

Die Gesamtzahlen des Unternehmens sehen besser aus, als sie sind. Menschen tätigten nach der Umstellung 31,8 % weniger Anrufe, die KI etwa viereinhalbmal so viele. Abschlüsse pro 50 menschlichen Anrufen stiegen um 6,3 %. Der Artikel führt das jedoch auf die Umverteilung des Volumens zurück, weil der Nenner schneller schrumpfte als der Zähler. Pro Tag verloren Menschen 50,5 Abschlüsse bei heißen Kontakten, die KI gewann bei kalten 7,7 zurück, ein Verhältnis von ungefähr sieben zu eins. Dies sind Berechnungen der Autoren auf ihren eigenen Daten. Sie führen das Muster auf die Zuteilung zurück und verstehen es nicht als Urteil über die Unternehmensentscheidung.

Die Autoren folgern nicht, Unternehmen sollten Menschen schlechtere Arbeit geben oder die KI entfernen. Sie schlagen vor, heiße Kontakte über den Tag verteilt freizugeben oder weniger wertvolle Arbeit beizumischen, damit der nächste Anruf nicht so viel besser erscheint als der aktuelle. In ihrem Modell würde die Wiederherstellung des Rhythmus heißer Kontakte vor der Ausweitung die Abschlüsse pro Anruf um etwa 13,5 % erhöhen, mit einem Intervall von 10,5 bis 16,6 %. Die Zahl stammt aus einer Kalibrierung, nicht aus einem Experiment. Die Autoren nennen selbst die offenen Fragen: ob der Effekt bei einer dünnen Warteschlange, in der Schadenbearbeitung oder Inhaltsmoderation sowie dort gilt, wo Beschäftigte Aufgaben nicht zurückgeben können.

Der gewöhnliche Morgen

Zurück zur Skizze der Frau am Schreibtisch, noch immer erfunden. Bis zehn Uhr hat sie vier Kontakte zurückgegeben und zwei behalten. Beide Gespräche endeten früher, als sie es ein Jahr zuvor zugelassen hätte. In der Skizze fühlt sie sich nicht faul. Sie glaubt, auf den guten Kontakt zu warten, weil die letzte Stunde gezeigt hat, wie viele es gibt. Die Arbeit kann nicht sagen, was ein Mitarbeiter dachte. Sie kann nur sagen, dass unter den gemessenen Anrufen die besten Kontakte des Tages am leichtesten losgelassen wurden.

Quellen

  • Acemoglu, D., & Restrepo, P. (2019). Artificial intelligence, automation, and work. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 197-236). University of Chicago Press.
  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
  • Fu, X., Luo, S., Ramasubbu, N., Shen, P., Wang, X., & Wang, Y. (2026). When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition. arxiv.org
  • Lippman, S. A., & McCall, J. J. (1976). The Economics of Job Search: A Survey. Economic Inquiry, 14(2), 155-189.
  • McCall, J. J. (1970). Economics of Information and Job Search. Quarterly Journal of Economics, 84(1), 113-126.
  • Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.