Die „Jagged Frontier“: Wo KI Berater besser macht – und wo sie schadet

KI macht Beraterinnen und Berater bei vielen Aufgaben schneller und besser – und bei manchen, die genauso schwer aussehen, schlechter. Das ist die Kernaussage des bekanntesten Experiments zu KI in der Beratung, durchgeführt mit 758 Beratern der Boston Consulting Group ^[1]. Wer KI in Projekten einsetzt, muss deshalb nicht nur entscheiden, ob KI genutzt wird, sondern für jede Teilaufgabe, wie genau das Ergebnis geprüft wird.

Wir haben die im März 2026 in Organization Science erschienene Endfassung gelesen. Einige oft zitierte Zahlen stammen aus der Vorabfassung von 2023 und weichen davon ab. Wo, steht unten.

Kurz gesagt

• Bei 18 Aufgaben innerhalb der Fähigkeiten von GPT-4 erledigten Berater mit KI 12,2 Prozent mehr Aufgaben, schneller und mit deutlich besserer Qualität ^[1].
• Bei einer Aufgabe außerhalb dieser Grenze waren sie laut Abstract „19% less likely“, eine richtige Lösung zu liefern. Der Ergebnisteil derselben Fassung beziffert das als 19 Prozentpunkte (84,5 Prozent ohne KI gegenüber 60 bzw. 70,6 Prozent mit KI). Ihre Empfehlungen wirkten trotzdem überzeugender ^[1].
• Für die Praxis heißt das: Eine Freigabe muss bei Aufgaben mit einer richtigen Antwort die Begründung prüfen und nicht nur, wie gut der Text klingt.

Was „Jagged Frontier“ meint

Die Autorinnen und Autoren aus Harvard, Wharton, MIT, Warwick und von BCG beschreiben die Fähigkeiten von KI als „gezackte Grenze“. Zwei Aufgaben, die einem Menschen gleich schwer vorkommen, können auf verschiedenen Seiten dieser Grenze liegen. Auf der einen Seite hilft KI, auf der anderen verschlechtert sie das Ergebnis. Das gilt auch innerhalb desselben Arbeitsablaufs, und man sieht einer Aufgabe vorher nicht an, auf welcher Seite sie liegt ^[1].

Damit hängt das Thema „KI-Halluzination“ zusammen, ist aber nicht dasselbe. Die Falle im Experiment war keine erfundene Quelle. Die KI zog aus dem vorliegenden Material einen plausiblen, aber falschen Schluss, und viele Menschen übernahmen ihn.

Das Studiendesign

• Teilnehmende: 758 BCG-Berater, nach Angaben der Autoren rund 7 Prozent der Beraterinnen und Berater ohne Führungsverantwortung, überwiegend am Anfang ihrer Laufbahn ^[1].
• Zwei getrennte Arme: 385 Personen bearbeiteten eine Produktentwicklungsaufgabe (innerhalb der Grenze), 373 eine Strategie-Fallstudie (außerhalb) ^[1].
• Drei Bedingungen je Arm, zufällig zugeteilt: ohne KI, mit GPT-4, mit GPT-4 plus einer Einführung ins Prompting (Videos und Dokumente). Zuvor bearbeiteten alle eine ähnliche Aufgabe ohne KI, die als Vergleichsmaß diente ^[1].
• Modell: GPT-4 im Stand von Ende April 2023, mit Standardeinstellungen, über eine firmeninterne Oberfläche, die alle Eingaben protokollierte ^[1].
• Anreize: Die Leistung floss in die interne Bewertung ein, mit Folgen für Boni ^[1].
• Präregistrierung: Design, Bedingungen und Zielgrößen waren vorab registriert. Den Begriff „Jagged Frontier“ und die konkreten Aufgaben enthielt die Präregistrierung laut den Autoren nicht ^[1].

Wichtig für die Einordnung: Die Aufgaben wurden in Vortests so lange angepasst, bis sie verlässlich auf der gewünschten Seite der Grenze lagen ^[1]. Die Studie zeigt also, dass es beide Seiten gibt und wie groß die Effekte sind. Wie häufig echte Beratungsaufgaben auf welcher Seite liegen, misst sie nicht.

Ergebnisse innerhalb der Grenze

Die Aufgabe: einen Schuh für eine Nische entwerfen und vom Prototyp bis zum Markteintritt durchplanen, in 18 Teilaufgaben, von „mindestens 10 Ideen“ über Marktsegmentierung bis zur Pressemitteilung ^[1].

Quelle: ^[1], Abschnitt 4.1 und Tabellen 4 bis 6.

Zusammengefasst nennen die Autoren 12,2 Prozent mehr erledigte Aufgaben, 25,1 Prozent weniger Zeit und im Durchschnitt 32 Prozent bessere Qualität ^[1]. Bewertet wurde die Qualität von MBA-Studierenden, jede Antwort von drei Personen, die nicht wussten, wer KI genutzt hatte. Eine zweite Bewertung durch Schuhdesign-Fachleute bestätigte die Richtung. Bei der Kreativität einzelner Ideen fiel der Vorsprung dort mit 14 bzw. 11,7 Prozent kleiner aus ^[1].

Am meisten profitierten die Teilnehmenden, die in der Vorab-Aufgabe in der unteren Hälfte lagen. Die obere Hälfte verbesserte sich ebenfalls, aber weniger ^[1].

Zur oft zitierten „40 Prozent“: Mitautor Ethan Mollick schrieb 2023 zur Vorabfassung, KI-Nutzer hätten „40 % höhere Qualität“ erzielt ^[2]. Die begutachtete Endfassung nennt 29,9 bzw. 33,9 Prozent, im Mittel 32 Prozent ^[1]. Woher die Differenz kommt, erklärt die Endfassung nicht. Zitieren Sie die Zahlen der Endfassung.

Ergebnisse außerhalb der Grenze

Die zweite Gruppe sollte der Geschäftsführung eines fiktiven Modeunternehmens empfehlen, welche von drei Marken Investitionen erhalten soll. Grundlage waren eine Tabelle mit Finanzdaten und Interviewnotizen. Die Tabelle wirkte vollständig. Die richtige Antwort ergab sich aber erst aus Details in den Interviews. GPT-4 kam nach Angaben der Autoren zu einem falschen Schluss, wenn man ihm Aufgabenstellung, Daten und Interviews vorlegte ^[1].

• Richtige Empfehlung: ohne KI 84,5 Prozent, mit GPT-4 70,6 Prozent, mit GPT-4 plus Einführung 60 Prozent. Im Mittel der beiden KI-Gruppen sind das 19 Prozentpunkte weniger ^[1].
• Zeit: Die KI-Gruppen waren 18 bzw. 30 Prozent schneller fertig ^[1].
• Überzeugungskraft: BCG-Berater außerhalb des Experiments und Business-School-Studierende bewerteten Aufbau und Argumentation der Empfehlungen, ohne die richtige Lösung zu kennen. Die KI-Gruppen lagen um 17,9 bzw. 25,1 Prozent über der Kontrollgruppe, auch bei den falschen Antworten ^[1].

Zwei Formulierungen in derselben Fassung: Das Abstract der Endfassung schreibt „subjects using AI were 19% less likely to produce correct solutions“. Der Ergebnisteil (Abschnitt 4.2) und die Diskussion (Abschnitt 6) sprechen dagegen von „19 percentage points“ ^[1]. Die Zahlen des Ergebnisteils stützen die Lesart als Prozentpunkte: Das Mittel der KI-Gruppen liegt bei rund 65,3 Prozent, also 19,2 Prozentpunkte unter 84,5 Prozent. Relativ wären das rund 23 Prozent weniger richtige Lösungen (eigene Rechnung).

Der dritte Befund ist für Freigaben der wichtigste: KI lieferte falsche Empfehlungen, die besser geschrieben und überzeugender begründet waren. Wer bei der Freigabe vor allem auf Stringenz und Formulierung achtet, wird so leichter getäuscht.

Auffällig ist auch, dass die Gruppe mit Prompting-Einführung außerhalb der Grenze am schlechtesten abschnitt (minus 24,5 gegenüber minus 13,9 Prozentpunkten). Der Unterschied zwischen beiden KI-Gruppen ist nur auf dem 10-Prozent-Niveau statistisch signifikant ^[1]. Ob Schulung zu mehr Vertrauen in die Ausgabe führt, lässt sich daraus nicht ableiten. Eine reine Prompting-Schulung schützt jedenfalls nicht vor diesem Fehler.

Zentauren, Cyborgs und „Self-Automators“

In seinem Beitrag zur Vorabfassung beschrieb Mollick 2023 zwei Arbeitsweisen ^[2]. Zentauren trennen klar zwischen menschlicher und maschineller Arbeit und teilen Teilaufgaben bewusst zu. Cyborgs verweben ihre Arbeit fortlaufend mit der KI.

Eine eigene Folgestudie hat die Arbeitsweisen ausgewertet: Randazzo und Kollegen analysierten 244 Gesprächsverläufe mit 4.975 Eingaben aus der Markenaufgabe sowie 237 Interviews ^[3]. Die Zahl 244 entspricht der Summe der beiden KI-Gruppen im Außen-Arm (125 + 119) ^[1]. Die Studie unterscheidet drei Typen ^[3]:

Von den 63 Self-Automators übernahmen 28 das KI-Ergebnis unverändert ^[3]. Die Zentauren gaben am häufigsten die richtige Empfehlung, Zentauren und Cyborgs schrieben überzeugender als die Self-Automators ^[3]. Genaue Trefferquoten je Typ nennt das Working Paper im Text nicht. Es ist noch nicht begutachtet.

Ein Beispiel aus dem Paper zeigt den Mechanismus: Ein Teilnehmer ließ die KI ihr eigenes Ergebnis prüfen. Sie bestätigte es, und er übernahm die falsche Antwort ^[3]. Wenn die KI sich selbst prüft, ist das keine Prüfung.

Was seither dazukam

• Die Grenze verschiebt sich. Die Autoren betonen selbst, dass die Grenze gezackt, aber nicht fest ist: Mit jedem neuen Modell können Aufgaben auf die andere Seite wandern ^[1]. Die Zahlen beschreiben GPT-4 vom April 2023, nicht heutige Modelle. Eine Replikation mit aktuellen Modellen und demselben Design haben wir bis zum 01.11.2026 nicht gefunden.
• Teamarbeit: In einem Feldexperiment mit 776 Fachleuten bei Procter & Gamble erreichten Einzelne mit KI das Leistungsniveau von Zweierteams ohne KI. Zudem lieferten R&D- und Commercial-Fachleute mit KI ausgewogenere Lösungen ^[4]. Das Ergebnis betrifft Aufgaben innerhalb der Grenze (Produktinnovation). Über Aufgaben außerhalb der Grenze sagt es nichts.

Grenzen und Gegenargumente

Die Autoren nennen die Einschränkungen selbst ^[1]:

• Nur eine Aufgabe außerhalb der Grenze. Der Befund „KI verschlechtert“ beruht auf einer einzigen Fallstudie, die gezielt so gebaut war.
• Labor im Feld. Echte Berater, echte Anreize, aber eine fiktive Firma, Zeitlimits und kein Austausch mit Kollegen oder Kunden.
• Subjektive Bewertung bei den Aufgaben innerhalb der Grenze, mit möglicher Verzerrung.
• Anreize: Bei BCG zählt Qualität innerhalb der Frist mehr als Tempo. Wo Geschwindigkeit belohnt wird, können die Effekte anders ausfallen.
• Junge Teilnehmende: Für erfahrene Partner oder Managerinnen können die Ergebnisse abweichen.
• Modellstand 2023, ohne Werkzeuge wie Dateisuche oder Code-Ausführung.

Ein Gegenargument liegt nahe: Heutige Modelle mit Websuche, Dokumentenzugriff und Rechenwerkzeugen hätten die Falle vielleicht erkannt. Das ist möglich, aber im Design der Studie nicht geprüft. Die Kernaussage bleibt davon unberührt: Wo genau die Grenze liegt, weiß man vorher nicht. Deshalb braucht es eine Prüfung, die nicht vom Modell abhängt.

Was das für die Praxis heißt

Die Studie testet keine Freigabeprozesse. Die folgenden Vorschläge sind unsere Ableitung aus den Befunden.

1. Teilaufgaben einordnen, nicht ganze Projekte. Ordnen Sie für typische Arbeitspakete wie Marktscreening, Due-Diligence-Bericht oder Lenkungskreis-Unterlage jede Teilaufgabe einer von drei Gruppen zu:

Die Markenaufgabe der Studie ist ein typischer C-Fall: Zahlen und Interviews mussten gemeinsam gelesen werden, und das entscheidende Detail stand nicht in der Tabelle.

2. Bei C-Aufgaben die Begründung freigeben, nicht den Text. Die KI-Antworten waren auch dann überzeugender, wenn sie falsch waren ^[1]. Lassen Sie sich deshalb die tragenden Belege zeigen: Welche Quelle, welche Stelle stützt die Empfehlung? Und welche Stelle spricht dagegen?

3. Zentauren-Arbeitsweise für Urteilsaufgaben. Die Person mit der Fallverantwortung legt die Analyse-Logik fest. Die KI bekommt abgegrenzte Teilaufgaben wie Daten aufbereiten, Interviews zusammenfassen oder Gegenargumente suchen ^[3]. Das ganze Material mit der Bitte um eine Empfehlung in einen Prompt zu kopieren, ist die Arbeitsweise der Self-Automators.

4. Keine Selbstprüfung durch dasselbe Modell als Freigabe. Eine Gegenprüfung ist nur dann eine, wenn ein Mensch oder ein unabhängiger Schritt sie leistet ^[3].

5. Schulung über Grenzen, nicht nur über Prompts. Eine Prompting-Einführung verbesserte die Ergebnisse innerhalb der Grenze, schützte außerhalb aber nicht ^[1]. Gute Schulungen zeigen an eigenen Fällen, wo das Modell danebenlag.

6. Ergebnisse protokollieren und nachjustieren. Halten Sie fest, wo freigegebene KI-Ergebnisse später korrigiert werden mussten. So sehen Sie mit der Zeit, wo die Grenze in Ihrer eigenen Arbeit verläuft. Bei jedem Modellwechsel prüfen Sie die Einordnung neu.

Wie wir das in enter ai umsetzen

In enter ai ist eine Freigabe für Aktionen eingebaut: Digitale Kollegen holen vor Aktionen mit Wirkung außerhalb der Plattform, etwa dem Versand einer Nachricht, grundsätzlich die Freigabe eines Menschen ein, außer ein Nutzer hat für bestimmte Aufgaben ausdrücklich eine Vorabfreigabe festgelegt. Laufende Aufgaben lassen sich jederzeit anhalten. Die Studie zeigt allerdings: Eine Freigabe hilft nur, wenn die freigebende Person die Begründung prüft. Diese Prüfung kann keine Software abnehmen.

Wie dieser Beitrag entstand

Recherche und Erstentwurf mit KI-Unterstützung. Alle Zahlen stammen aus den verlinkten Primärquellen und wurden dort nachgelesen, die Studie ^[1] im Volltext der Endfassung. Bei ^[4] lag nur die Zusammenfassung vor. Fachliche Prüfung: Claude und das Team von enter ai.

Zuletzt aktualisiert am 2. November 2026.