In modernen Unternehmen gilt die Matrixorganisation oft als Königsweg, um Arbeitskraft flexibel und dynamisch zu steuern. Doch die parallele Verplanung von Mitarbeitenden in mehreren Projekten entpuppt sich in der Praxis schnell als teurer Trugschluss. Eine wissenschaftliche Spurensuche zeigt: Wer den Systemdurchsatz steigern will, muss radikal limitieren – das gilt für menschliche Teams ebenso wie für den Einsatz moderner KI-Agenten.

Wenn disruptive Marktdynamiken auf gewachsene Strukturen treffen, reagieren Unternehmen meist mit struktureller Verdichtung. Die klassische Matrixorganisation – eine Parallelwelt aus Linienverantwortung und temporärer Projektarbeit – verspricht auf dem Papier maximale Ressourceneffizienz. Die vermeintlich logische Prämisse: Wenn eine Fachkraft zu 30 Prozent in Projekt A, zu 40 Prozent in Projekt B und zu 30 Prozent in der Linie agiert, ist sie zu 100 Prozent ausgelastet und schafft optimalen Wert für das Unternehmen.

Die Realität straft diese Rechnung täglich Lügen: Chronischer Terminverzug, qualitative Einbußen, Budgetüberschreitungen und eine schleichende Demotivation der Teams gehören in Matrixorganisationen zum Standardbild. Zugleich steht das Management vor einem Rätsel: Warum führen mehr Projekte (bei gleicher Mannstärke) nicht zu mehr Output? Die Antwort findet sich in der Kognitionspsychologie, der Warteschlangentheorie und der Systemarchitektur.

Context Switching und kognitive Überlastung

Der fundamentale Fehler im Konzept der Mehrfachverplanung ist die Ignoranz gegenüber den mentalen „Rüstkosten“ des Menschen. Bereits in den 1990er-Jahren legte der Informatiker Gerald M. Weinberg dar, wie dramatisch sich das sogenannte Context Switching auf die Netto-Produktivität auswirkt¹.

Weinbergs Forschungen zeigen: Wer an zwei Projekten gleichzeitig arbeitet, verliert rund 20 Prozent seiner produktiven Zeit allein durch den mentalen Umschaltprozess zwischen den unterschiedlichen Kontexten. Bei drei parallelen Projekten steigt dieser Verlust auf 40 Prozent an. Der Rest ist administrativer und kognitiver Ausschuss.

Anzahl Projekte	Verfügbarkeit pro Projekt	Produktive Gesamtarbeitszeit	Kognitiver Verlust
1	100 %	100 %	0 %
2	40 %	80 %	20 %
3	20 %	60 %	40 %
4	10 %	40 %	60 %
5	5 %	25 %	75 %

Gerald M. Weinberg, Quality Software Management: Vol. 1, 1992

Der Grund hierfür ist der psychologische Effekt der kognitiven Interferenz (Attention Residue): Das menschliche Gehirn schaltet nicht wie ein digitaler Kippschalter um. Reste der Aufmerksamkeit verbleiben unbewusst beim vorherigen Task und blockieren wertvolle kognitive Kapazitäten, die für die neue Aufgabe dringend benötigt würden.² Die Wiedereinarbeitung in eine früher begonnene, aber nicht abgeschlossene Aufgabe erfordert ebenfalls wertvolle kognitive und zeitliche Ressourcen.

Weinbergs Gesetz des Kontextwechsels
Bei fünf parallelen Projekten gehen bis zu 75 % der Arbeitszeit für rein administrative und mentale Reibungsverluste verloren. Es verbleiben lediglich 5 % Wertschöpfung pro Projekt.

Das mathematische Limit: Was die Warteschlangentheorie lehrt

Ergänzt wird Weinbergs Perspektive durch die harten mathematischen Gesetze der Operations-Research-Forschung, insbesondere durch das Kingman-Gesetz (VUT-Gleichung)³ aus der Warteschlangentheorie. Dieses zeigt mathematisch, dass die durchschnittliche Wartezeit in einem System bei steigender Auslastung nicht linear, sondern exponentiell gegen unendlich strebt, sobald sich die Ressourcenauslastung der 100-Prozent-Marke nähert.

Wenn Teams durch Multiprojektmanagement permanent voll ausgelastet oder überbucht sind, genügen minimale, unvorhergesehene Störungen (wie ein Krankheitsausfall oder ein technisches Problem), um das gesamte System zum Stillstand zu bringen. Die Projekte blockieren sich gegenseitig in einer endlosen, trägen Warteschlange.

Das KI-Paradoxon: Agentische Systeme und der neue kognitive Overhead

Mit dem Einzug agentischer KI-Systeme, die autonom komplexe, mehrstufige Aufgaben ausführen, versuchen Organisationen, dieses Nadelöhr technologisch zu umgehen. Auf den ersten Blick scheinen autonome Agenten das Problem des Kontextwechsels vollständig zu lösen. Die Realität zeigt allerdings: Während KI-Systeme die exekutiven Rüstkosten auf technischer Ebene absorbieren, verschieben sie den kognitiven Overhead auf die menschliche Steuerungsebene. Der Engpass verschiebt sich und die Gesamtperformance nimmt nicht zu.

1. Asymmetrie der Rüstkosten

Einem Large Language Model fehlt das biologische Äquivalent der Attention Residue. Ein KI-Agent kann theoretisch ohne metabolischen Leistungsabfall zwischen völlig unterschiedlichen Fachdomänen umschalten. In minimalen Teamkonfigurationen (sogenannte One-Person Squads) übernehmen KI-Agenten die fragmentierten Routineprozesse, wodurch der menschliche Entwickler entlastet wird.

2. Die Überwachungsfalle (Hypertasking)

Sobald ein menschlicher Supervisor jedoch mehrere KI-Agenten parallel steuern und validieren muss, setzt eine rapide mentale Erschöpfung (Cognitive Overload) sowie Decision Fatigue ein⁴. Da KI stochastisch operiert (Risiko von Halluzinationen), erfordert sie permanente, intensive kognitive Kontrolle⁵. Der Mensch wechselt von der Ausführung in eine hochgradig fragmentierte Review-Rolle.

Wann dieser Kontroll-Engpass kollabiert, folgt dem Kingman-Gesetz (VUT-Gleichung) aus der Warteschlangentheorie: Wartezeiten schießen überproportional in die Höhe, sobald eine hohe Auslastung (U) auf lange Bedienzeiten (T) und eine hohe Variabilität (V – also Unvorhersehbarkeit) trifft.

Der Rohoutput-Kollaps: Liefern Agenten unstrukturierten Output, wird jede Prüfung zum unvorhersehbaren „Voll-Review“. Die Variabilität (V) und menschliche Bedienzeit (T) sind maximal. Unter dieser Last bricht das System mathematisch zwingend zusammen.
Die Standardisierung des Engpasses: Erst wenn Aufgaben atomar geschnitten sind und automatisierte Gates (z. B. Unit-Tests, Linter oder Verifikations-Prompts) den Output vorfiltern, sinken Variabilität (V) und Bedienzeit (T). Der Mensch wechselt zum Management by Exception. Die Kingman-Kurve flacht ab und die Überwachungsgrenze wird zur skalierbaren Stellgröße.

3. Technische Ineffizienz durch Token-Explosion

Auch auf Systemebene erzeugt unkontrolliertes Multitasking bei KI-Agenten massive Reibungsverluste. Da LLM-basierte Architekturen an ein fixes Context Window gebunden sind, führt das parallele Jonglieren vieler Aufgaben zu einem kontinuierlichen Verdrängen älterer Daten (Context Purging). Das wiederholte Einlesen (Re-Injektion) von Dokumenten und Systemprompts führt zu einer exponentiellen Explosion des Token-Volumens und erhöht damit nicht nur die Latenzzeit des Gesamtsystems, sondern auch die ökonomischen Kosten.

Little’s Law richtig angewendet

Um den Systemdurchsatz quantitativ zu beschreiben und zu steuern, greift die moderne Organisationsentwicklung auf ein fundamentales Theorem der Warteschlangentheorie zurück: Little’s Law⁶.

Die mathematische Formel für den Durchsatz lautet:
Durchsatz (TH) = WIP / Durchlaufzeit (CT)

WIP (Work in Progress): Die Anzahl der parallel bearbeiteten Aufgaben/Projekte.
CT (Cycle Time): Die durchschnittliche Durchlaufzeit pro Aufgabe von Start bis Finish.

Zwei präzise Praxisbeispiele verdeutlichen das mathematische Paradoxon:

Szenario 1: Die klassische Multitasking-Falle (Hoher WIP)

Ein Team versucht, 30 Aufgaben parallel (WIP = 30) zu bearbeiten. Durch die massiven Kontextwechsel und Wartezeiten verzögert sich die Fertigstellung jeder einzelnen Aufgabe. Die durchschnittliche Durchlaufzeit erhöht sich auf 34 Wochen.

TH = \frac{30}{34} \approx 0{,}88 \text{ Tasks / Woche}

Szenario 2: Die fokussierte Organisation (Niedriger WIP)

Das Management reduziert die parallelen Aufgaben radikal auf 10 Tasks (WIP = 10). Weil das Team ohne Unterbrechungen fokussiert arbeiten kann, sinkt die durchschnittliche Durchlaufzeit auf nur noch 6 Wochen.

TH = \frac{10}{6} \approx 1{,}67 \text{ Tasks / Woche}

Mathematische ist das Fazit unumstößlich: Eine Reduzierung des Work-in-Progress (WIP) um zwei Drittel führt im Praxisbeispiel fast zu einer Verdopplung des realen Systemdurchsatzes (von 0,88 auf 1,67 Tasks/Woche).

Drei Hebel für den Turnaround: Vom Ressourcen- zum Fluss-Fokus

Der Übergang von einer ressourcenorientierten Auslastungslogik („Sind alle beschäftigt?“) zu einer flussorientierten Wertschöpfungslogik („Fließt die Arbeit ohne Stau?“) erfordert ein konsequentes Umdenken auf Führungsebene. Drei konkrete Maßnahmen etablieren diesen Wandel:

WIP-Limits auf Organisationsebene verankern: Begrenzen Sie die Anzahl der strategischen Initiativen und parallel aktiven KI-Agentenschleifen. Erst wenn ein Projekt erfolgreich abgeschlossen ist, wird ein neues Projekt gestartet. Das reduziert sofort kognitive Reibungsverluste.
Evidenzbasierte Priorisierung etablieren: Verlassen Sie sich nicht auf das „Bauchgefühl“. Nutzen Sie strukturierte, ökonomische Verfahren wie WSJF (Weighted Shortest Job First). Hierbei werden die Kosten der Verzögerung (Cost of Delay) ins Verhältnis zur verbleibenden Projektdauer gesetzt, um den maximalen wirtschaftlichen Hebel mathematisch zu ermitteln⁷.
Führungskompetenz anders definieren: Führungskräfte müssen verstehen, dass eine 100-Prozent-Auslastung die Effizienz eines Systems zerstört. Ihre Aufgabe ist es nicht, Menschen maximal zu beschäftigen, sondern den ungehinderten Fluss von Wertschöpfung zu orchestrieren. Das erfordert den Mut, operative Puffer bewusst zuzulassen.

Weniger Parallelität erhöht die Gesamtperformance

Multitasking ist kein inhärenter Systemfehler. Unkontrollierte, unpriorisierte, parallele Baustellen schon. Organisationen, die den Mut aufbringen, ihre WIP-Limits strikt zu begrenzen, gewinnen einen echten Wettbewerbsvorteil: Sie liefern schneller, in signifikant höherer Qualität und entlasten ihre Belegschaft nachweislich von destruktivem Stress.

Die Integration agentischer KI ändert nichts an der Validität von Little’s Law oder Weinbergs Gesetzen, sie verschiebt lediglich die Variablen. Ein Systemdurchsatz steigt auch im KI-Zeitalter nur dann, wenn der WIP streng limitiert bleibt. KI-Agenten müssen so konfiguriert sein, dass sie lange, monokontextuelle Phasen autonom bearbeiten und Ergebnisse gebündelt anliefern, um den kognitiven Kollaps des menschlichen Supervisors zu verhindern⁸.

Effizienz entsteht nicht durch die Maximierung begonnener Arbeit, sondern durch die Maximierung fertiggestellter Ergebnisse.

Quellen:

1
Weinberg, Gerald M., Quality Software Management: Vol. 1: Systems Thinking, 1992, https://www.dorsethouse.com/books/qsm1.html
2
Newport, Cal, Deep Work: Rules for Focused Success in a Distracted World, 2016, https://www.grandcentralpublishing.com/titles/cal-newport/deep-work/9781455586691/
3
Kingman, J. F. C., The single server queue in heavy traffic, 1961, https://www.cambridge.org/core/journals/proceedings-of-the-cambridge-philosophical-society
4
Shalu, Verma, N., Dev, K., et al., The Cognitive Cost of AI: How AI Anxiety and Attitudes Influence Decision Fatigue in Daily Technology Use, 2025, https://www.researchgate.net
5
Grace, S. L., Finding Equilibrium: An Integrative Approach to Balancing Human and Artificial Intelligence in Legal Research, 2025, https://www.tandfonline.com
6
Little, John D. C., A Proof for the Queuing Formula: L = λW, 1961, https://pubsonline.informs.org/journal/opre
7
Reinertsen, Donald G., The Principles of Product Development Flow: Second Generation Lean Product Development, 2009, https://www.celeritaspublishing.com
8
Boas, M. V., One Developer Is All You Need: A Case Study of an AI-Augmented One-Person Squad in a Brownfield Enterprise, 2026, https://arxiv.org/abs/2605.18461

Der KI-Trugschluss: Warum autonome Agenten das Multitasking-Problem nicht lösen