Zwei Feldarbeiten landeten im August 2026, beide auf solider Telemetrie gebaut, und zusammen gelesen beschreiben sie ein Büro von entgegengesetzten Enden der Leiter. Chatterji, Holtz und Kollegen (OpenAI, Columbia und Wharton, arXiv:2608.12236, 12. August) verknüpften 17.446.551 ChatGPT-Enterprise-Meldungen über 1.764 Organisationen mit Jobtiteln. Ihr Satz: „Bei Nutzern senden Nachwuchskräfte und Trainees grob acht bis neun mehr wöchentliche Meldungen als der durchschnittliche aktive Nutzer in derselben Firma, während Manager, Direktoren und Führungskräfte weniger Meldungen senden.” Juniors sind 7% der wöchentlich aktiven Nutzer und die grössten Sender pro Nutzer; Manager und Direktoren sind der grösste aktive Block bei 24% und unter dem Durchschnitt.

Das andere Papier liest die Prompts selbst. Hallman, Kowaleski und Schmidt (UT Austin) mit Puvvada (KPMG LLP, arXiv:2608.27364, 27. August) bewerteten 713.564 Prompts von 3.925 Back-Office-Mitarbeitern: Mittel 40,38 Gespräche pro aktiver Mitarbeiter, Median 14,00, und ein oberstes Dezil mit „51% der Gespräche”. Raffinesse steigt die Leiter hinauf — „jede Massnahme steigt mit Seniorität, mit Mitarbeitern unter Managern und Managern unter Mitarbeitern über der Manager-Ebene” (Mitarbeiter −0,056, Manager +0,023, über-Manager +0,036 auf der Klarheits-z-Wert). Seien wir ehrlich: der Senior-Sitz führt die wenigsten Chat-Gespräche durch, nutzt aber Microsoft Copilot am meisten — „Senior-Mitarbeiter nutzen die Tools häufiger, hauptsächlich wegen grösserer Copilot-Nutzung.” Der Assistent ist nicht verschwunden; er sitzt jetzt in Outlook und Teams.

Dann eine ungetestete Linie, wo unser Flur beginnt. Die KPMG-Autoren stellen die These auf, testen sie aber nicht, dass Senior-Leute besser prompts, weil sie „höhere Verantwortung für das resultierende Arbeitsprodukt tragen”. Der Junior sendet die meisten; der Partner unterschreibt. Die Review-Last hat sich hinauf bewegt, zum Sitz, dem die Telemetrie das schwächste Prompting zeigt.

Für ein 14-Personen-Atelier ist das nicht „KI kommt für Juniors” und nicht „Lizenz kaufen”. Es ist eine Frage darüber, wer wen reviewt. Eine Mannschaft gewinnt auf ihrer Bank — Spanien hat die letzte Weltmeisterschaft nicht mit einem Stürmer gewonnen — und eine Praxis funktioniert durch ihre Review-Bank, nicht durch ihren schnellsten Prompter. Das Tool verbreitet sich am schnellsten, wo diese Bank am tiefsten ist: OpenAIs Adopter sind viel grössere Firmen, trotzdem „bei gegebener Adoption ist die gemessene Nutzung pro Mitarbeiter niedriger”. Grosse Firmen haben die Reviewer. Wir haben zwei.

Der Trainings-Vorbehalt ist deutlich. KPMGs Mitarbeiter-Ergebnis zeigt, dass ein Kurs die Raffinesse im Monat seiner Durchführung hebt (+0,051 Klarheit in der Fixed-Effects-Spec, p<0,01) „aber nicht in den folgenden Monaten”. Die eine Intervention, die jedes Büro kauft, bleibt nicht in der Person, die es nahm. Ziel auf die Messung, nicht die Person: Eine Nachrichtenanzahl ist Aktivität, nicht Qualität, und beide Teams nennen ihre Scores „Proxys für ausgefeilte Nutzung, keine… direkten Massnahmen der Ausgangsqualität”. Beachte wer bezahlte — Holtz und Tambe waren „bezahlte Auftragnehmer von OpenAI”; Puvvada ist „Vollzeit-Mitarbeiter von KPMG LLP”. Wie PAZ bereits argumentiert hat, berichten Vendor-eigene Telemetrien nur, was der Vendor protokolliert hat, und nur der Vendor kann es reproduzieren.

Atelier: Was unser Büro damit tut, ist eine Seite neben dem BEP — nicht ein Verbot, nicht ein Kurs. Sie benennt, welche Dokumentklassen der Assistent entwerfen darf (Erläuterungsbericht, Protokolle, SIA-112 Phase-32 Bauprojekt-Text, Forschungsnotizen — nie die Mengen, nie das Brandkonzept), wer jede Klasse reviewt, und die Paarungsregel: Junior-Prompter, Senior-Reviewer, immer. Kein Vendor-Dashboard hat eine Spalte für die Teilphase-32-Unterschrift; diese Haftung lebt im SIA-Vertrag, nicht in der Konsole. Das „oberste Dezil” in einem 14-Personen-Büro ist eine oder zwei Personen — benenne die Rolle, nicht die Person, lege das Prompt-Log zum Dokument ab, und verankere die Paarungsregel in deinem Koordinationsmodell ab Montag.

←HEUTE: die Ein-Seite-Regel und das Habit, das Prompt-Log neben dem Dokument abzulegen, sind bereits einsatzreif auf einem Liveprojekt. →3012: bis Zürich-3012 ist die Unterschrift, welche Haftung trägt, ein Review-Diff gegen eine protokollierte Spur, nicht eine kalte Relektüre. Fulcrum: das Junior-Volumen und die Partner-Verantwortung stimmen nur überein, wenn das Log den Review in einen Diff statt einer Relektüre verwandelt.

Hack: Messe deine eigene Konzentration und Breite ohne das Vendor-Dashboard. Exportiere die Admin-Console-CSV, dann berechne die zwei KPMG-Zahlen — den Anteil, den dein oberstes Dezil trägt, und wie gleichmässig die Nutzung über die acht Kategorien verteilt (normalisierte Shannon-Entropie: 0 = nur eine Nutzung, 1 = gleichmässig verteilt).

import math
c = sorted(seat_counts, reverse=True)                    # Gespräche pro Sitz
top_decile = sum(c[:math.ceil(len(c)/10)]) / sum(c)      # Konzentration, 0..1
p = [n/sum(cats) for n in cats if n]                     # cats = 8 Nutzungsfall-Summen
use_div = -sum(x*math.log(x) for x in p) / math.log(8)   # Breite, 0..1

PAZ-Takeaway: Die Fähigkeit, die zu diesem Problem passt, ist eine KI-Implementierung, nicht eine Lizenz — ein leichtgewichtiger lokaler Logging-Wrapper (Python), der jedes Prompt-/Antwortpaar und den Modellnamen als Sidecar neben dem Dokument ablegt, das er erzeugte, mit Autor- und Reviewer-Feldern. Der Partner-Review wird dann ein Diff gegen das Log statt einer kalten Relektüre. PAZ baut diese Art von massgeschneiderten, Büro-eigenen Werkzeugen zusammen mit einer Praxis auf; es ist der openBIM-Instinkt — halte die Arbeit jeder Seite für die nächste verständlich — angewendet auf den Assistenten.

Kaufe nicht die tiefere Bank, die du dir nicht leisten kannst. Baue die Seite, die deine zwei Reviewer ermöglicht: schreibe die Ein-Seite-Regel, implementiere das Log, und mache die Junior-Geschwindigkeit zum Büro-Asset statt zum Risiko.