In Organisationen, die KI-Tools breit und enthusiastisch eingeführt haben, baut sich eine stille Spannung auf. Die Tools funktionieren. Sie beschleunigen den Output, reduzieren Reibungsverluste und bewältigen Volumina, die Teams sonst ausbremsen würden. Die Frage ist nicht, ob KI nützlich ist. Die Frage ist, was mit den Menschen passiert, die nie ohne sie arbeiten mussten.
Dies ist kein nostalgisches Plädoyer dafür, Dinge auf die harte Tour zu erledigen. Es ist eine strukturelle Frage darüber, wie Expertise tatsächlich entsteht – und ob die Bedingungen, die tiefes professionelles Urteilsvermögen hervorbringen, im Namen der Effizienz still und leise ausgehöhlt werden.
Wie Expertise entsteht: Die Rolle von Anstrengung, Fehlern und Wiederholung
Die Kognitionswissenschaft unterscheidet seit Langem zwischen oberflächlicher Kompetenz und echter Expertise. Oberflächliche Kompetenz bedeutet, einen akzeptablen Output produzieren zu können. Echte Expertise bedeutet zu verstehen, warum dieser Output korrekt ist, zu erkennen, wann er es nicht ist, und zu wissen, was zu tun ist, wenn der Standardansatz versagt.
Expertise entsteht durch eine bestimmte Art von Erfahrung: Problemen ohne fertige Antwort begegnen, Entscheidungen unter Unsicherheit treffen, Feedback erhalten und sich anpassen. Dieser Zyklus, der über viele Kontexte und einen langen Zeitraum hinweg wiederholt wird, ist es, der die mentalen Modelle aufbaut, die eine erfahrene Fachkraft von einer unerfahrenen unterscheiden.
Das Entscheidende dabei ist, dass dieser Prozess Reibung erfordert. Ein Anfänger, der sich damit abmüht, eine erste Analyse zu schreiben, dabei Fehler macht, versteht, warum sie falsch war, und es erneut versucht, baut etwas Dauerhaftes auf. Ein Anfänger, der ein KI-System promptet, einen ausgefeilten Output erhält und ihn einreicht, hat eine Aufgabe erledigt. Das sind nicht dieselben Tätigkeiten, auch wenn die Ergebnisse identisch aussehen.
Genau das übersieht die meiste Berichterstattung über KI am Arbeitsplatz. Die Diskussion konzentriert sich fast ausschließlich auf Outputqualität und Geschwindigkeit. Sie fragt selten, was mit der Person passiert, die den Output produziert, und ob ihre Fähigkeit, ihn eigenständig zu erzeugen, wächst oder stagniert.
Das Scaffolding-Problem: Wenn Unterstützung zur Decke wird
In der Pädagogik und Entwicklungspsychologie bezeichnet Scaffolding temporäre Stützstrukturen, die Lernenden helfen, Niveaus zu erreichen, die sie allein nicht erreichen könnten. Das Schlüsselwort ist temporär. Gutes Scaffolding ist darauf ausgelegt, entfernt zu werden. Mit dem Wachstum des Lernenden wird die Unterstützung zurückgezogen, und der Lernende verinnerlicht, was das Scaffold einst bereitgestellt hat.
KI-Tools, wie sie derzeit in den meisten professionellen Umgebungen eingesetzt werden, funktionieren nicht so. Sie sind dauerhaft vorhanden, stets verfügbar und zunehmend leistungsfähig. Es gibt keinen Mechanismus, der die Unterstützung zurückzieht, wenn eine Person sich weiterentwickelt. Das Scaffold bleibt auf unbestimmte Zeit bestehen.
Dies schafft ein spezifisches Risiko für Berufseinsteiger. Wenn ein Junior-Analyst stets Zugang zu einer KI hat, die Argumente strukturieren, Muster erkennen und Schlussfolgerungen formulieren kann, entwickelt der Analyst möglicherweise nie die eigenständige Fähigkeit, diese Dinge selbst zu tun. Er wird geschickt darin, das Tool zu steuern – was durchaus wertvoll ist –, entwickelt aber möglicherweise nicht das tiefere Urteilsvermögen, das aus der eigenen kognitiven Auseinandersetzung mit der Materie entsteht.
Das Problem verstärkt sich mit der Zeit. Eine Fachkraft mit fünf Jahren Berufserfahrung, die diese Jahre mit intensiver KI-Unterstützung verbracht hat, verfügt möglicherweise über ein sehr anderes Fähigkeitsprofil als jemand, der diese Jahre damit verbracht hat, Probleme manuell durchzuarbeiten. Die Lücke ist im täglichen Output möglicherweise nicht sichtbar. Sie wird sichtbar in neuartigen Situationen, in Krisen, in den Momenten, in denen das Tool nicht helfen kann, weil das Problem keinen Präzedenzfall hat.
Warum das über individuelle Karrieren hinaus wichtig ist
Die Auswirkungen gehen über die Entwicklung einzelner Fachkräfte hinaus. Organisationen sind auf eine Pipeline von Expertise angewiesen. Erfahrene Fachkräfte betreuen jüngere, geben Urteilsvermögen weiter, das sich nicht aufschreiben lässt, und gehen schließlich in Rente oder wechseln das Unternehmen. Wenn die Berufseinsteiger, die im nächsten Jahrzehnt in die Arbeitswelt eintreten, eine weniger tiefgründige Expertise entwickeln, weil KI die prägenden kognitiven Aufgaben übernommen hat, verengt sich diese Pipeline.
Das ist kein Grund, KI-Tools aus professionellen Umgebungen zu verbannen. Es ist ein Grund, sorgfältig darüber nachzudenken, wie und wann sie eingeführt werden – und für welche Aufgaben. Es gibt einen bedeutsamen Unterschied zwischen dem Einsatz von KI für volumenreiche, wenig komplexe Aufgaben, damit sich Berufseinsteiger auf schwierigere Probleme konzentrieren können, und dem Einsatz von KI für die schwierigen Probleme, sodass Berufseinsteiger sich nie damit auseinandersetzen müssen.
Organisationen, die diese Unterscheidung sorgfältig bedenken, werden mit der Zeit wahrscheinlich stärkere Fachkräfte hervorbringen. Jene, die KI einheitlich über alle Aufgaben und alle Erfahrungsstufen hinweg einsetzen, werden möglicherweise in einem Jahrzehnt feststellen, dass sie effiziente Teams haben, denen es jedoch merklich an Personen mangelt, die in der Lage sind, ohne die Tools zu arbeiten.
Kurz gesagt
KI-Tools beschleunigen den Output und reduzieren Reibungsverluste. Das ist genuiner Mehrwert. Das Risiko besteht darin, dass für Berufseinsteiger auch die kognitive Anstrengung reduziert wird, die tiefe Expertise aufbaut – und dass sich diese Reduktion möglicherweise jahrelang nicht als Problem zeigt. Expertise entsteht durch die Begegnung mit Schwierigkeiten, das Machen von Fehlern und den Aufbau von Urteilsvermögen durch Wiederholung. Wenn KI diese Schwierigkeiten stellvertretend für Anfänger bewältigt, verbessert sich der Output, aber die Person entwickelt sich möglicherweise nicht weiter. Organisationen, die in zehn Jahren erfahrene, eigenständige Fachkräfte haben wollen, müssen jetzt darüber nachdenken, welche Aufgaben ihre Berufseinsteiger ohne Unterstützung erledigen sollten – und warum.