KI automatisiert die Arbeit, die Experten schafft

Wenn Unternehmen entscheiden, was sie automatisieren, messen sie normalerweise Zeit, Kosten, Fehlerraten und Ausgabe. Sie messen selten, was eine Aufgabe der Person, die sie ausführt, beibringt. Diese Auslassung ist wichtig, weil viele Aufgaben, die wiederholend oder ineffizient aussehen, auch Teil des unsichtbaren Ausbildungsprogramms sind, durch das Menschen zu fähigen Profis werden.

Ein Junior-Analyst, der ein erstes Modell erstellt, ein Entwickler, der einen grundlegenden Fehler verfolgt, ein Support-Agent, der einen häufigen Beschwerde bearbeitet, und ein Anwalt, der ein erstes Recherche-Memo vorbereitet, erzeugen alle Arbeit. Sie lernen auch, wie Informationen zusammenpassen, welche Details wichtig sind, wo Fehler auftauchen und wann ein vertrautes Muster nicht mehr anwendbar ist. Wenn KI die Aufgabe entfernt, ohne den Lernprozess zu ersetzen, kann die Organisation heute an Geschwindigkeit gewinnen, während sie die Expertise, die sie später benötigt, schwächt.

Die Frage nach dem Arbeitskräftepotenzial ist daher größer als die Frage, ob KI die Einstellung von Einsteigern reduzieren wird. Führungskräfte müssen fragen, was mit den Übungszyklen passiert, die früher unerfahrene Mitarbeiter zu Menschen machten, die in der Lage sind, intelligente Systeme zu beurteilen, zu korrigieren und zu überwachen.

Expertise wird durch Korrektur aufgebaut

Expertise wird oft als Wissen beschrieben, aber Wissen allein reicht nicht aus. Erfahrene Menschen haben genug Fälle erlebt, um schwache Signale zu erkennen, ungewöhnliche Kombinationen zu bemerken und zu verstehen, wann eine Standardantwort unsicher ist. Diese Urteilsfähigkeit entwickelt sich durch wiederholte Zyklen von Arbeit, Feedback, Korrektur von Fehlern und Konsequenzen von Entscheidungen.

Viele Junior-Aufgaben sind wertvoll, weil sie diese Zyklen erzeugen. Das Erstellen der ersten Version einer Analyse zwingt jemanden, zu entscheiden, was relevant ist. Das Reinigen von Daten zeigt, wie unvollkommen reale Informationen sein können. Das Bearbeiten von einfachen Kundenfällen lehrt das normale Muster, das später ein abnormalen Fall leichter zu erkennen macht. Das Überprüfen der fertigen Ausgabe eines Experten erzeugt nicht die gleiche Tiefe, weil die schwierigen Entscheidungen bereits getroffen und versteckt wurden.

KI kann diese Zyklen komprimieren. Ein erstes Entwurf wird vorbereitet, bevor der Mitarbeiter das Problem formuliert hat. Ein Code-Assistent schlägt die Lösung vor, bevor der Entwickler den Fehler verfolgt hat. Ein Recherche-Tool fasst die Beweise zusammen, bevor der Analyst die Quellen verglichen hat. Die Ausgabe kann besser und schneller sein, aber der Mitarbeiter erhält weniger Gelegenheiten, ein internes Modell davon aufzubauen, warum es korrekt ist.

KI kann das Lernen beschleunigen, aber die Gestaltung ist wichtig

Das Risiko ist nicht unvermeidlich. Einige der stärksten Beweise für generative KI in der Arbeit zeigen, dass sie weniger erfahrenen Mitarbeitern helfen kann, schneller zu lernen, wenn sie als Anleitung und nicht als Ersatz für die Teilnahme verwendet wird.

Eine NBER-Studie von 5.179 Kunden-Support-Agenten fand heraus, dass der Zugang zu einem generativen KI-Assistenten die Produktivität um 14 Prozent im Durchschnitt erhöhte, mit einer 34-prozentigen Verbesserung bei unerfahrenen und weniger qualifizierten Arbeitern. Die Forscher fanden Hinweise darauf, dass das System half, die Praktiken stärkerer Agenten zu verbreiten und neue Arbeiter schneller die Erfahrungskurve hinunterzubewegen.

Die Gestaltung dieser Arbeit ist wichtig. Agenten erhielten Vorschläge während realer Kunden-Gespräche, aber sie mussten immer noch die Situation interpretieren, entscheiden, wie sie reagieren sollten, und das Ergebnis beobachten. Der Lernzyklus blieb intakt. KI fügte zeitgerecht Zugang zu Experten-Mustern hinzu, ohne den Mitarbeiter vollständig aus der Entscheidung zu entfernen.

Das ist anders als ein Arbeitsablauf, in dem das System die Aufgabe erledigt und der Mitarbeiter am Ende nur eine schnelle Genehmigung durchführt. Wenn Menschen aktiv in der Diagnose, Wahl und Konsequenz bleiben, kann KI als Coach fungieren. Wenn sie jedoch auf die Annahme von polierter Ausgabe reduziert werden, kann die Technologie die kurzfristige Produktion erhöhen, während sie langfristig weniger für die Fähigkeitsentwicklung tut.

Automatisierung erreicht die Aufgaben, die das humane Kapital aufbauen

Es ist leicht anzunehmen, dass KI nur niedrig qualifizierte, wiederholende Arbeit entfernen wird. Aktuelle Beweise deuten auf ein komplexeres Muster hin.

Anthropics Januar 2026 Economic Index fand heraus, dass die Aufgaben, die von Claude abgedeckt wurden, im Durchschnitt mehr Bildung erforderten als der Durchschnitt der Wirtschaft. In einer experimentellen Schätzung fanden die Forscher heraus, dass die Entfernung dieser KI-abgedeckten Aufgaben aus den Berufen einen ersten Ordnungseffekt auf die Arbeitsplätze haben würde, da viele der abgedeckten Aufgaben höhere Bildungskomponenten der Rolle darstellten. Anthropic war vorsichtig und sagte, dass dies keine Vorhersage sei, da die Berufe evolvieren und neue Aufgaben auftauchen könnten, aber die Feststellung sollte die Art und Weise ändern, wie Unternehmen über Automatisierung nachdenken.

Routiniert und entwicklungsbedürftig sind nicht Gegensätze. Die Vorbereitung einer Analyse kann für einen erfahrenen Mitarbeiter routiniert werden, während sie für einen Junior-Mitarbeiter immer noch essentielle Übung bleibt. Das Erstellen von Standard-Verträgen, das Debuggen von bekannten Fehlern, das Erstellen von Prognosen und das Überprüfen der Kunden-Historie kann automatisiert werden, aber sie stellen auch Mitarbeiter mit der Struktur des Berufs in Verbindung.

Dies schafft ein strategisches Problem. Die einfachste Aufgabe, die automatisiert werden kann, ist auch die Aufgabe, durch die ein neuer Mitarbeiter die Kontextkenntnisse lernt, die er später benötigt, um die schwierige Aufgabe zu bewältigen.

Das Verifizierungsparadox

Viele Organisationen reagieren, indem sie sagen, dass Menschen von der Produktion zur Verifizierung wechseln werden. KI wird die Arbeit erzeugen, während Menschen die Genauigkeit überprüfen, den Kontext anwenden und für die Verantwortung sorgen. Dies klingt vernünftig, aber es enthält ein Paradoxon: die Verifizierung selbst erfordert die Expertise, die die automatisierte Arbeit früher half, zu schaffen.

Eine Microsoft Research-Studie (MSFT ) mit 319 Wissensarbeitern und 936 Beispielen für den Einsatz von generativer KI fand heraus, dass ein größeres Vertrauen in KI mit weniger kritischem Denken verbunden war. Die Studie fand auch Hinweise darauf, dass das System das kritische Denken in Richtung Verifizierung, Integration und Aufgaben-Verwaltung verschob. Diese Aktivitäten sind wertvoll, aber eine Person kann nicht gut verifizieren, ohne genug Domänenwissen, um zu erkennen, was fehlen könnte.

Ein unerfahrener Mitarbeiter kann überprüfen, ob eine Antwort offensichtlich inkonsistent oder unzureichend unterstützt ist. Es ist jedoch viel schwieriger, zu bemerken, dass die Analyse das falsche Rahmenwerk verwendet, eine betriebliche Einschränkung ignoriert oder zu einer plausiblen Schlussfolgerung für den falschen Grund kommt. Polierte KI-Ausgabe kann das Fehlen von Verständnis verbergen, weil sie vorher vollständig aussieht, bevor der Mitarbeiter die Urteilsfähigkeit entwickelt hat, um sie zu hinterfragen.

Forschung über die „jagged technological frontier“ macht das Problem konkreter. In einem Experiment mit 758 Beratern wurden KI-Anwender 25,1 Prozent schneller und produzierten Ergebnisse von mehr als 40 Prozent höherer Qualität. Bei einer Aufgabe außerhalb dieser Grenze waren KI-Anwender jedoch 19 Prozentpunkte weniger wahrscheinlich, die richtige Lösung zu finden als Teilnehmer, die ohne KI arbeiteten.

Die kritische Fähigkeit ist daher nicht einfach die Nutzung von KI. Es ist die Fähigkeit, zu erkennen, wenn das System außerhalb der Grenze der zuverlässigen Leistung arbeitet. Diese Grenze ist selten offensichtlich, und das Lernen, sie zu sehen, erfordert Erfahrung mit erfolgreichen Fällen und Fehlern.

Das verborgene Nachfolgerisiko

Der World Economic Forum’s Future of Jobs Report 2025 fand heraus, dass Arbeitgeber erwarten, dass 39 Prozent der Kernfähigkeiten der Arbeitnehmer bis 2030 ändern werden. Es fand auch heraus, dass 63 Prozent der Arbeitgeber bereits Fähigkeitslücken als eine große Barriere für die Transformation betrachten, während 77 Prozent planen, Mitarbeiter weiterzubilden und 41 Prozent erwarten, die Belegschaft zu reduzieren, wenn KI Aufgaben automatisiert.

Diese Strategien können in Konflikt geraten, wenn Organisationen zu viel von der Arbeit entfernen, durch die Fähigkeiten gebildet werden. Ein Unternehmen kann die Einstellung von Junior-Mitarbeitern reduzieren, sich auf erfahrene Mitarbeiter verlassen, um KI zu überwachen, und dennoch über starke Produktivität für mehrere Jahre berichten. Die Schwäche zeigt sich später, wenn erfahrene Menschen das Unternehmen verlassen, die Nachfrage steigt oder das Unternehmen Mitarbeiter benötigt, die in der Lage sind, Situationen zu bewältigen, die das System nicht gesehen hat.

Senior-Experten können auch zu einer neuen betrieblichen Einschränkung werden. Wenn KI das Volumen der Arbeit erhöht, während nur eine kleine Gruppe schwierige Ausgaben überprüfen kann, verbringen diese Menschen mehr Zeit mit der Überprüfung und Korrektur als mit dem Unterrichten. Das Unternehmen gewinnt Produktionskapazität, aber konzentriert die Urteilsfähigkeit in weniger Händen.

Keine Organisation kann die Ausbildung automatisieren und dann annehmen, dass sie weiterhin Erfahrung von dem Markt kaufen kann. Wenn viele Unternehmen die gleiche Strategie verfolgen, wird der externe Pool an erfahrenen Talenten schließlich dünner und teurer.

Messen Sie den Entwicklungswert der Arbeit

Bevor ein Unternehmen eine Aufgabe automatisiert, sollte es diese auf zwei Dimensionen bewerten. Die erste ist der Ausgabe-Wert: wie wichtig, teuer und zeitkritisch ist das Ergebnis? Die zweite ist der Entwicklungswert: welche Fähigkeit baut die Ausführung der Aufgabe auf?

Aufgaben mit geringem Ausgabe-Wert und geringem Entwicklungswert sind offensichtliche Kandidaten für eine vollständige Automatisierung. Das Umformatieren von Routine-Dokumenten oder das Übertragen von Informationen zwischen Systemen kann nach dem Erreichen der Grundfähigkeiten wenig beibringen.

Aufgaben mit hohem Ausgabe-Wert, aber geringem Entwicklungswert können oft automatisiert werden, wenn die Kontrolle angemessen ist. Die Organisation benötigt immer noch Governance, weil das Ergebnis wichtig ist, aber die Erhaltung des manuellen Prozesses kann wenig zur Mitarbeiterentwicklung beitragen.

Die am meisten vernachlässigte Kategorie enthält Aufgaben mit geringem unmittelbarem Ausgabe-Wert, aber hohem Entwicklungswert. Der erste Entwurf eines Junior-Mitarbeiters ist möglicherweise nicht kommerziell wichtig, weil ein Senior-Mitarbeiter ihn überarbeitet, aber die Erstellung dieses Entwurfs schafft einen wertvollen Vergleich zwischen der anfänglichen Argumentation und dem Experten-Feedback. Das Entfernen dieses Schritts spart Zeit, aber es entfernt auch die Übung.

Aufgaben mit sowohl hohem Ausgabe-Wert als auch hohem Entwicklungswert sollten normalerweise augmentiert und nicht vollständig delegiert werden. Mitarbeiter können KI für Recherche, Optionen und Kritik verwenden, aber sie sollten die bedeutungsvolle Verantwortung für die Formulierung des Problems, die Erklärung der Entscheidung und das Lernen aus dem Ergebnis behalten.

Bauen Sie die Ausbildungs-Schicht bewusst auf

Sobald die entwicklungsbedürftigen Aufgaben identifiziert wurden, können Unternehmen diese neu gestalten, anstatt ineffiziente Arbeitsabläufe unverändert beizubehalten. Das Ziel ist nicht, Mitarbeiter dazu zu bringen, jeden manuellen Prozess aus der Vergangenheit zu wiederholen. Es ist, die Erfahrungen, die die Urteilsfähigkeit aufbauen, in einer schnelleren, absichtlicheren Form zu rekreieren.

Eine Option ist, das erste Denken zu bewahren. Bevor der Mitarbeiter den KI-Vorschlag sieht, zeichnet er eine erste Diagnose, Prognose oder Entscheidung auf. Das System kann dann eine Alternative anbieten, und der Mitarbeiter muss erklären, wo die beiden unterschiedlich sind und welche Herangehensweise er verwenden würde.

Organisationen können auch Bibliotheken von KI-Fehlern, Randfällen und umstrittenen Entscheidungen aufbauen. Die Überprüfung nur erfolgreicher Ausgaben lehrt Mitarbeiter, dem System zu vertrauen. Das Studium der Fälle, in denen es fehlte, hilft ihnen, die Bedingungen zu erkennen, die eine Eskalation, zusätzliche Beweise oder menschliche Intervention erfordern.

Manager sollten bewerten, ob das Lernen über das Tool hinausgeht. Kann der Mitarbeiter die Argumentation hinter der endgültigen Ausgabe erklären? Kann er die Annahmen identifizieren, die sie falsch machen würden? Kann er sich anpassen, wenn der Kontext ändert oder die KI nicht verfügbar ist? Diese Fragen offenbaren mehr über die Bereitschaft als die Anzahl der verwendeten Prompts oder abgeschlossenen Aufgaben.

Wichtigster ist, dass Junior-Mitarbeiter immer noch reale Verantwortung benötigen. Simulationen und strukturierte Übung helfen, aber Expertise hängt auch von Konsequenzen, Feedback und Kontakt mit realer Komplexität ab. KI sollte diese Erfahrungen sicherer und häufiger machen, nicht vollständig entfernen.

Der Wettbewerbsvorteil der Arbeitskräfte wird durch schnellere Expertise entstehen

Die stärksten Organisationen werden nicht diejenigen sein, die die größte Anzahl von Junior-Aufgaben automatisieren. Sie werden diejenigen sein, die die niedrigwertige Anstrengung entfernen, während sie die Entwicklung von Menschen beschleunigen, die KI verantwortungsvoll nutzen, herausfordern und überwachen können.

Dazu ist eine breitere Definition der Rendite auf Automatisierung erforderlich. Die gesparte Zeit und die produzierte Ausgabe sind wichtig, aber Führungskräfte sollten auch messen, ob der neue Arbeitsablauf die zukünftige Versorgung der Organisation mit Urteilsfähigkeit stärkt oder schwächt. Ein Prozess, der die Kosten reduziert, während er die Experten-Pipeline schädigt, kann nur auf kurze Sicht effizient sein.

Bevor sie das nächste Automatisierungsprojekt genehmigen, sollten Führungskräfte eine weitere Frage stellen: was haben Menschen durch diese Arbeit gelernt, und wo wird dieses Lernen stattfinden, wenn die Arbeit automatisiert wird?

Die Antwort wird bestimmen, ob KI einfach mehr Ausgabe produziert oder dazu beiträgt, die nächste Generation von Experten zu produzieren.