Woher kommt der Begriff Brain Fry?
Der Begriff stammt aus einer BCG-Studie vom März 2026, veröffentlicht in der Harvard Business Review. Sie heißt „When Using AI Leads to ‘Brain Fry’“ und stammt von Julie Bedard, Matthew Kropp und Kollegen bei BCG (Harvard Business Review, 5. März 2026, abgerufen am 5. November 2026), auf Grundlage einer Befragung von 1.488 Vollzeitbeschäftigten in den USA (Fortune, 10. März 2026, abgerufen am 5. November 2026). Im Oktober nutzte Deloitte Insights ihn schon als gefestigtes Vokabular und beschrieb, was geschieht, „wenn Beschäftigte dauerhaft versuchen, über ihre eigenen kognitiven Grenzen hinaus zu arbeiten“ (Deloitte Insights, 15. Oktober 2026, abgerufen am 5. November 2026). Brain Fry ist ein Aufsichtsproblem, kein Nutzungsproblem: Die Belastung kommt davon, AI zu beaufsichtigen, nicht davon, sie zu haben.
Was verursacht AI Brain Fry?
Zwei Dinge in den BCG-Daten. Das erste ist starke Aufsicht, etwa das Prüfen von Text, den ein Modell erzeugt hat: Beschäftigte mit hoher AI-Aufsicht berichteten von 14 % mehr geistiger Anstrengung, 12 % stärkerer geistiger Ermüdung und 19 % stärkerer Informationsüberlastung als jene, die einen Agent administrative Aufgaben übernehmen ließen. Das zweite ist die Zahl der Tools: Die selbst berichtete Produktivität war bei drei oder weniger AI-Tools höher und sank bei vier oder mehr stark (Fortune, abgerufen am 5. November 2026). Jeder zusätzliche Agent oder jedes Tool ist ein weiterer Ausgabestrom, den jemand beurteilen muss. Deshalb ist Agent Sprawl ebenso ein Menschen- wie ein Governance-Problem.
Brain Fry, Workslop und Deskilling: Worin unterscheiden sie sich?
Alle drei sind Kosten von AI bei der Arbeit, getragen von unterschiedlichen Menschen auf unterschiedlichen Zeitskalen.
| Brain Fry | Workslop | Deskilling | |
|---|---|---|---|
| Wer zahlt | Die Person, die AI-Ausgabe prüft | Die Person, die AI-Ausgabe empfängt | Die Person, deren Fähigkeit schwindet |
| Ursache | Zu viel Aufsicht, zu viele Tools | Nachlässige AI-Nutzung des Absenders | Zu wenig Übung in der Kernaufgabe |
| Zeigt sich als | Erschöpfung, Fehler, Kündigungsabsicht | Nacharbeit, verlorenes Vertrauen | Schwaches Urteil bei schwierigen Fällen |
| Zeitskala | Tage und Wochen | Jede Übergabe | Monate und Jahre |
Sie verstärken sich gegenseitig. Workslop erhöht die Prüflast, und ein ausgebrannter Prüfer ist der schwächste Punkt jeder Human-in-the-Loop-Kontrolle. In der Studie wollten 34 % der Beschäftigten mit Brain Fry kündigen, gegenüber 25 % derer ohne, die Kosten landen also auch in der Bindung, während Deskilling die Expertise untergräbt, von der die Prüfung abhängt.
Wie verhindern wir bei Soba Labs, dass unsere eigenen Agents Brain Fry verursachen?
Wir behandeln die Aufmerksamkeit eines Prüfers als Kostenposten, den man nur dort ausgibt, wo menschliches Urteil zählt. Unsere geplanten Agents mergen eine Änderung erst nach automatisierten Prüfungen und einem unabhängigen Review-Durchgang, sodass Menschen die Ausnahmen prüfen, nicht jede Änderung. Jeder Lauf postet dann einen kurzen Digest: jeden Punkt, den der Leser braucht, und sonst nichts, in einer Nachricht ohne Thread, während die Belege im Pull Request bleiben. Diese Regel haben wir im September 2026 aufgestellt, nachdem frühere Digests als unformatierte Textwände eintrafen. Ein Fehler, den ein Agent selbst beheben kann, wird im selben Lauf behoben und nicht an einen Menschen übergeben, und eine Frage, die nur ein Mensch beantworten kann, wird zu einer Karte auf einem Task-Board.
Wie senken Führungskräfte Brain Fry?
Führungskräfte senken Brain Fry, indem sie zuerst Menschen unterstützen und danach deren Prüflast gestalten. Die Studie fand, dass Brain Fry dort abnahm, wo Führungskräfte Schulung und Unterstützung zu AI-Tools boten. In der Praxis: die Zahl der AI-Tools pro Rolle begrenzen, die Prüfung in feste Tagesblöcke bündeln und menschliche Aufmerksamkeit nach Risiko einsetzen, wobei Confidence Gating Routineausgaben passieren lässt und nur unsichere oder folgenreiche Punkte an einen Menschen leitet. Deloitte schlägt außerdem vor, das Denken der AI sichtbar zu machen, mit Quellen und markierten Annahmen, damit Prüfer nicht neu aufbauen müssen, wie eine Ausgabe entstand. Messen Sie die Prüfstunden, nicht nur die erzeugte Ausgabe, denn ein Plan zur AI-Einführung, der die Kapazität des Prüfers ignoriert, verschiebt den Engpass nur in den Kopf eines Menschen.