Wenn die KI alles weiß: Woher kommen die Experten von morgen?
Montagmorgen, 9 Uhr. Ein neuer Mitarbeiter sitzt bereits am Schreibtisch. Er kennt Millionen Dokumente, kann Code analysieren, Daten auswerten, Texte formulieren und auf nahezu jede Frage eine Antwort liefern. Er macht keine Mittagspause, wird nicht krank und braucht auch keine Einarbeitung. Nur eines kann er nicht: selbst entscheiden, ob seine Antwort richtig ist.
Noch vor wenigen Jahren wäre dieses Szenario Science Fiction gewesen. Heute lässt es sich mit einem Sprachmodell, Unternehmensdaten und einigen Schnittstellen zumindest teilweise realisieren. Künstliche Intelligenz verändert damit nicht nur einzelne Aufgaben. Sie verändert die Art, wie Wissen in Unternehmen entsteht, verteilt und angewendet wird. Damit stellt sich eine Frage, die bisher kaum im Mittelpunkt der KI-Debatte steht: Was passiert mit Menschen, wenn sie immer weniger wissen müssen, weil die passende Antwort jederzeit verfügbar ist? Vielleicht müssen künftig tatsächlich weniger Informationen auswendig gelernt werden. Vielleicht muss ein Entwickler nicht mehr jede Syntax kennen und ein Analyst nicht mehr wissen, wo jede einzelne Information in einem System gespeichert ist.
Problematisch wird es erst dann, wenn aus "Ich muss das nicht auswendig wissen." irgendwann "Ich muss es nicht verstehen." wird.
Denn Wissen ist nicht nur ein Speicher für Informationen. Es bildet die Grundlage für Urteilskraft.
KI arbeitet mit Tätigkeiten, nicht mit Berufen
Die Diskussion über künstliche Intelligenz beginnt häufig bei Berufen: Werden Programmierer überflüssig? Braucht es künftig noch Analysten? Kann KI ganze Berufsgruppen ersetzen? Diese Fragen greifen zu kurz. Ein Beruf besteht aus zahlreichen unterschiedlichen Tätigkeiten. Einige davon kann KI übernehmen, andere unterstützt sie und wieder andere bleiben auf menschliche Fähigkeiten angewiesen.
Das Entscheidende daran ist weniger die konkrete Prozentzahl als die Perspektive. Wenn KI eine Recherche übernimmt, verschwindet nicht automatisch der Beruf des Analysten. Wenn ein Sprachmodell Programmcode erzeugt, verschwindet nicht automatisch der Softwareentwickler. Verändert wird zunächst die Mikroarchitektur der Arbeit, welche letztlich darüber entscheidet, wie Menschen einen Beruf erlernen.
Die Aufgabe hinter der Aufgabe
Ein junger Softwareentwickler beginnt seine Karriere vielleicht damit, einen kleinen Fehler in einem bestehenden Programm zu finden. Später entwickelt er ein eigenes Modul, arbeitet an einer Schnittstelle und übernimmt irgendwann Verantwortung für eine gesamte Architektur. Jede dieser Aufgaben erzeugt ein Ergebnis. Gleichzeitig erzeugt sie Erfahrung. Der Entwickler lernt, Fehlermeldungen zu interpretieren. Er erkennt Muster. Er versteht, warum eine Lösung zwar funktioniert, aber technisch schlecht ist. Er erlebt, dass ein Code im Test funktioniert und unter realen Bedingungen trotzdem scheitert.
Diese zweite Ebene wird bei der Automatisierung leicht übersehen. Eine Tätigkeit kann gleichzeitig Produktionsleistung und Lernleistung sein. Wenn KI den Produktionsanteil übernimmt, verschwindet unter Umständen auch der Lernanteil. Das gilt nicht nur für die Softwareentwicklung.
Ein Junior Analyst erstellt eine Auswertung und lernt dabei, welche Kennzahlen relevant sind. Ein Berufseinsteiger formuliert einen ersten Entwurf und erfährt durch Feedback, warum bestimmte Argumente nicht funktionieren. Ein junger Mitarbeiter im Kundenservice führt zunächst einfache Gespräche und entwickelt dabei ein Gespür für Situationen, die sich nicht in einem Skript abbilden lassen. Die entscheidende Frage lautet deshalb nicht nur: "Kann diese Aufgabe eine KI erledigen?", sondern: "Was lernt ein Mensch gerade, während er diese Aufgabe erledigt?"
Wenn die KI den ersten Entwurf schreibt
Besonders deutlich wird das bei generativer KI. Früher erstellte ein Berufseinsteiger einen ersten Entwurf. Der Text war vielleicht mittelmäßig. Die Analyse enthielt Fehler. Der Code war nicht elegant. Anschließend kam ein erfahrener Mitarbeiter hinzu, korrigierte, erklärte und verbesserte. Der Prozess war ineffizient. Aber er hatte einen wichtigen Nebeneffekt: Der Junior lernte.
Heute kann ein erfahrener Mitarbeiter selbst die KI auffordern, den ersten Entwurf zu erzeugen. Das Ergebnis ist häufig schneller und formal überzeugender als die Arbeit eines unerfahrenen Mitarbeiters. Aus Sicht der kurzfristigen Produktivität ist das attraktiv. Aus Sicht der Talententwicklung entsteht eine paradoxe Situation: Der erfahrene Mitarbeiter wird produktiver, weil die KI Aufgaben übernimmt, an denen der unerfahrene Mitarbeiter früher gelernt hätte. Damit kann ein Unternehmen seine heutige Produktivität steigern und gleichzeitig seine zukünftige Kompetenzbasis schwächen.
Juniorarbeit war nie nur billige Produktionskapazität. Sie war immer auch Lerninfrastruktur. Wenn Unternehmen von einem Junior bereits erwarten, dass er komplexe Probleme löst und KI souverän einsetzt, stellt sich die Frage, wo diese Fähigkeiten erworben werden sollen. Ein Junior kann nicht zehn Jahre Berufserfahrung haben. Wenn Unternehmen aber genau diese Erfahrung zunehmend voraussetzen, weil die einfachen Aufgaben von KI erledigt werden, verschiebt sich die Einstiegsschwelle. Der Beruf bleibt. Die Leiter dorthin könnte jedoch kürzer werden.
Juniorarbeit war nie nur billige Produktionskapazität. Sie war immer auch Lerninfrastruktur.
Das Problem beginnt oft vor der Entlassung
Die Auswirkungen von KI auf den Arbeitsmarkt werden deshalb möglicherweise nicht zuerst an spektakulären Entlassungen sichtbar. Sie können viel unscheinbarer beginnen: Eine Stelle wird einfach nicht mehr ausgeschrieben.
Das Unternehmen spart eine Position ein. Ein erfahrener Mitarbeiter erledigt die Aufgabe gemeinsam mit KI. Zunächst funktioniert das hervorragend. Die Produktivität steigt, Prozesse werden schneller und die Kosten sinken. Einige Jahre später fehlt jedoch etwas, das sich nicht kurzfristig einkaufen lässt: Erfahrung.
Wer heute nicht einsteigt, kann morgen nicht zum erfahrenen Spezialisten geworden sein.
Wenn die KI alles weiß, wer kann noch widersprechen?
Damit wird die Frage nach dem eigenen Wissen wichtiger. Eine KI kann eine Analyse liefern. Aber erkennt der Mitarbeiter, wenn eine wichtige Information fehlt? Kann er einschätzen, ob die verwendeten Daten für die konkrete Situation geeignet sind? Versteht er, warum die KI zu diesem Ergebnis kommt und welche Folgen eine falsche Empfehlung haben könnte? Dafür braucht es Fachwissen.
Je leistungsfähiger KI-Systeme werden, desto weniger sinnvoll ist deshalb die Vorstellung, Menschen müssten lediglich lernen, gute Prompts zu schreiben. Entscheidend ist, dass sie ihre Aufgaben fachlich verstehen und die Ergebnisse der KI kritisch prüfen können. Die Rolle des Menschen verschiebt sich damit von der reinen Produktion hin zu Bewertung, Einordnung und Verantwortung.
Das funktioniert allerdings nur, wenn ausreichend Wissen vorhanden ist. Die paradoxe Konsequenz lautet:
Je weniger Wissen Menschen für die Bedienung einer KI benötigen, desto mehr Wissen benötigen sie für deren sinnvolle Kontrolle.
Prompting ersetzt kein Fachwissen
Diese Entwicklung zeigt auch, warum gutes Prompting allein nicht die entscheidende Kompetenz der Zukunft sein wird. Natürlich hilft es, eine Aufgabe präzise zu formulieren. Ein KI-System braucht Kontext, Ziel, Randbedingungen und ein klares gewünschtes Ergebnis. Aber ein perfekter Prompt ersetzt kein Fachwissen.
Ein Entwickler kann eine KI beispielsweise bitten, einen API-Endpunkt zu entwerfen. Das Ergebnis sieht plausibel aus. Der Code funktioniert im Test. Was passiert aber, wenn die Architektur des bestehenden Systems eine andere Datenkonsistenz verlangt? Wenn ein Sicherheitsmechanismus nicht berücksichtigt wurde? Wenn die Lösung unter hoher Last eine Datenbank blockiert?
Das Sprachmodell kann überzeugend antworten. Der Mensch muss erkennen können, wann die Antwort nicht genügt. Deshalb verschiebt sich die Kompetenz von der reinen Produktion hin zur Kombination aus Produktion und Bewertung. Der Mitarbeiter muss nicht mehr alles selbst erzeugen. Er muss aber verstehen, was erzeugt wurde.
Fachwissen wird nicht wertlos, sondern anders
Das führt zu einer interessanten Verschiebung. Fachwissen wird durch KI nicht automatisch wertlos. In manchen Bereichen könnte es sogar wichtiger werden.
Wenn Maschinen immer mehr Vorschläge produzieren, steigt der Wert derjenigen, die diese Vorschläge einordnen können.
Ein Entwickler muss nicht jede Codezeile selbst schreiben. Ein Analyst muss nicht jede Tabelle manuell erstellen. Ein Mitarbeiter muss nicht jede Information eigenhändig aus einer Datenbank zusammensuchen. Aber alle müssen beurteilen können, ob das Ergebnis für den konkreten Fall geeignet ist. Fachwissen wird damit weniger zum Speicher einzelner Informationen und stärker zum Referenzrahmen, mit dem Informationen bewertet werden.
Das gilt besonders für Human-AI-Teams. Mensch und KI übernehmen unterschiedliche Aufgaben. Die KI verarbeitet große Datenmengen, erzeugt Varianten und übernimmt Routinen. Der Mensch bringt Kontext, Erfahrung, Intuition, Kreativität und Verantwortung ein. Doch dafür braucht es Menschen, die diese Fähigkeiten entwickelt haben.
Fachwissen wird damit weniger zum Speicher einzelner Informationen und stärker zum Referenzrahmen, mit dem Informationen bewertet werden.
Die technische Infrastruktur ist nur die halbe Transformation
Genau hier liegt ein häufiger Fehler bei der Einführung von KI.
Ein Unternehmen integriert ein Sprachmodell, verbindet Datenquellen und erwartet anschließend Produktivitätsgewinne.
Damit ist die Transformation aber noch lange nicht abgeschlossen. Denn KI verändert nicht nur Tools. Sie verändert Rollen. Und wenn sich Rollen verändern, verändern sich auch Lernpfade.
Eine Organisation muss deshalb nicht nur analysieren, welche Tätigkeiten automatisiert werden können. Sie muss auch betrachten, welche Fähigkeiten durch diese Tätigkeiten entstehen und wie diese Fähigkeiten künftig erworben werden. Das ist eine wesentlich anspruchsvollere Aufgabe als die Auswahl eines KI-Modells.
Drei Fragen für die Arbeitsanalyse
Für die Gestaltung von Human-AI-Teams hilft deshalb eine einfache Unterscheidung.
- Welche Tätigkeiten erzeugen Wert?
- Welche Tätigkeiten erzeugen Lernen?
- Und welche Tätigkeiten erzeugen beides?
Die klassische Juniorarbeit gehört häufig zur dritten Kategorie. Eine Recherche produziert Informationen. Gleichzeitig lernt der Mitarbeiter, Quellen zu bewerten. Eine Analyse produziert ein Ergebnis. Gleichzeitig lernt er, Muster zu erkennen. Ein Softwaremodul produziert Funktionalität. Gleichzeitig lernt der Entwickler, wie ein System aufgebaut ist. Wenn eine KI diese Tätigkeiten übernimmt, sollte deshalb nicht automatisch die gesamte Tätigkeit verschwinden. Vielleicht muss sich nur ihre Funktion verändern.
Der Junior könnte beispielsweise nicht mehr drei Stunden damit verbringen, Daten manuell zusammenzutragen. Er könnte die von der KI erzeugte Analyse prüfen, Fehler identifizieren, alternative Hypothesen entwickeln und die Ergebnisse mit einem erfahrenen Mitarbeiter diskutieren. Damit wird aus einer reinen Produktionsaufgabe eine Kontroll- und Lernaufgabe. Die KI übernimmt Arbeit. Der Mensch entwickelt ein Urteil.
Wenn niemand mehr Junior sein darf
Hier wird die Frage nach der Zukunft der Arbeit besonders interessant.
Was passiert mit einer Generation, wenn Unternehmen immer weniger Einstiegspositionen anbieten? Die Antwort kann nicht allein darin bestehen, dass sich junge Menschen zusätzliche Qualifikationen aneignen. Denn auch diese Qualifikationen müssen irgendwo praktisch entwickelt werden.
Jede Organisation braucht Menschen, die irgendwann komplexe Systeme verstehen. Sie braucht Führungskräfte, Architekten, Projektverantwortliche und Experten, die in unvorhergesehenen Situationen entscheiden können. Diese Menschen entstehen nicht plötzlich. Sie entwickeln sich aus einer langen Abfolge von Aufgaben, Erfahrungen, Fehlern und zunehmender Verantwortung.
Wenn Unternehmen heute sagen: "Diese einfachen Tätigkeiten brauchen wir nicht mehr, das macht die KI.", kann das vollkommen richtig sein. Wenn daraus aber folgt: "Deshalb brauchen wir auch keine Einsteiger mehr.", entsteht ein strategisches Problem. Denn zehn Jahre später gibt es vielleicht weiterhin KI. Es fehlen aber Menschen, die auf Expertenniveau mit ihr arbeiten können.
Ein neuer Fachkräftemangel?
Genau hier könnte ein anderer Fachkräftemangel entstehen, als er heute häufig beschrieben wird. Organisationen freuen sich zunächst über die Einsparungen durch nicht besetzte Einstiegspositionen. Später stellen sie fest, dass erfahrene Fachkräfte fehlen, weil die Nachwuchsgeneration nicht ausreichend in diese Rollen hineinwachsen konnte.
Das ist nicht zwangsläufig die Entwicklung, und die aktuellen Studien erlauben noch keine sichere Prognose. Aber die Möglichkeit ist relevant genug, um sie bereits heute in der KI- und Personalstrategie zu berücksichtigen. Beim klassischen Fachkräftemangel fehlt eine Person für eine vorhandene Stelle. Beim möglichen KI-bedingten Kompetenzmangel fehlt die Erfahrung, weil der Entwicklungsweg dorthin unterbrochen wurde.
Die Stelle existiert vielleicht sogar. Nur der Mensch, der sie ausfüllen könnte, wurde nie ausgebildet.
Beim klassischen Fachkräftemangel fehlt eine Person für eine vorhandene Stelle. Beim möglichen KI-bedingten Kompetenzmangel fehlt die Erfahrung, weil der Entwicklungsweg dorthin unterbrochen wurde.
Produktivität ist nicht die einzige Kennzahl
Die klassische Produktivitätsrechnung betrachtet Output und Aufwand.
Wie viel Zeit benötigt eine Aufgabe? Wie viele Mitarbeiter braucht ein Prozess? Wie viele Fälle kann ein Team pro Stunde bearbeiten? Mit KI wird diese Rechnung komplizierter. Wenn ein Junior früher fünf Stunden für eine Analyse gebraucht hat und ein Senior mit KI nur 30 Minuten, sieht die Rechnung eindeutig aus. Doch was kostet es ein Unternehmen, wenn dieser Junior niemals lernt, solche Analysen selbst zu verstehen?
Dieser Wert steht nicht auf der monatlichen Kostenstelle. Er zeigt sich möglicherweise erst Jahre später.
Deshalb sollte die KI-Strategie auch eine Lernperspektive enthalten. Welche Aufgaben erzeugen Wissen? Welche erzeugen Urteilskraft? Welche schaffen die nächste Generation von Experten? Und welche können tatsächlich verschwinden, ohne dass dadurch später ein Kompetenzengpass entsteht? Diese Fragen gehören künftig genauso zur KI-Strategie wie Modellwahl, Datenqualität und IT-Sicherheit.
Was passiert also, wenn niemand mehr etwas wissen muss?
Wenn Wissen jederzeit verfügbar ist, verändert sich auch die Bedeutung menschlicher Arbeit. Es wird weniger darauf ankommen, eine Information möglichst schnell zu finden oder einen ersten Entwurf selbst zu erstellen. Entscheidend wird vielmehr sein, Zusammenhänge zu verstehen, Ergebnisse einzuordnen und zu erkennen, wann eine KI mit ihrer Antwort falschliegt. Genau dafür braucht es weiterhin Fachwissen, Erfahrung und Urteilskraft.
Denn KI kann Vorschläge machen, Entscheidungen vorbereiten und große Mengen an Informationen verarbeiten. Die Verantwortung für das Ergebnis kann sie jedoch nicht übernehmen. Am Ende muss ein Mensch entscheiden, ob eine Empfehlung fachlich vertretbar ist, welche Konsequenzen daraus entstehen und ob diese Entscheidung tatsächlich getroffen werden soll. Wer Verantwortung übernimmt, muss deshalb auch verstehen, worüber er entscheidet.
Damit entsteht ein scheinbarer Widerspruch: Je weniger Menschen bestimmte Aufgaben selbst erledigen müssen, desto wichtiger wird es, dass sie verstehen, was hinter diesen Aufgaben steckt.
Die Zukunft der Arbeit besteht deshalb nicht darin, dass Menschen immer weniger wissen müssen. Sie besteht darin, dass Menschen ihr Wissen anders einsetzen: weniger für die reine Produktion von Ergebnissen, stärker für deren Bewertung, Einordnung und verantwortliche Anwendung.
Human-AI-Teams funktionieren nur dann, wenn auf der menschlichen Seite nicht nur jemand sitzt, der die KI bedienen kann, sondern jemand, der Verantwortung für das übernimmt, was die KI daraus macht.
