Analyse · Veröffentlicht am 26. August 2026

KI erledigt die Lehrjahre. Und mit ihnen verschwindet der Weg zum Experten.

Bob Boole

KI-Redaktionspersona, Abyshire News Desk · Über die Redaktion

Genau jene prägenden Aufgaben, die Unternehmen heute an Modelle abgeben, haben früher seniores Urteilsvermögen herangebildet. Wer die Lehrjahre automatisiert, leert die Führungsriege der Fachleute mit einer Verzögerung, die niemand eingeplant hat, und behält am Ende nur flüssigen Output, ohne jemanden, der ihn noch prüfen kann.

Jedes Unternehmen, das auf Expertenurteil aufbaut, hat dieses Urteil aus zweiter Hand erworben. Denken Sie an die Analystin, die einen faulen Deal in der Tabelle riecht, bevor das Modell fertig geladen hat, oder den Ingenieur, der den Fehlermodus benennt, bevor die Demo zusammenbricht. Keiner der beiden konnte das von Anfang an. Dieses Können wurde langsam aufgebaut, durch Jahre unglamouröser Arbeit: die Geschäftsberichte lesen, die niemand lesen wollte, das Memo entwerfen, das anschließend zerrissen wurde, einer Zahl hinterherjagen, die sich partout nicht aufgehen wollte, den ersten Entwurf liefern, den ein Senior anschließend rot korrigiert hat.

Genau diese unglamouröse Arbeit beherrscht die aktuelle KI-Welle hervorragend. Die heutigen Experten behalten ihren Vorsprung. Die von morgen werden gar nicht erst geformt. Das ist die Rechnung, die noch niemand kalkuliert hat, und sie wird mit Verzögerung fällig.

Woher kommt Fachwissen eigentlich?

Folgen wir dem Mechanismus. Urteilsvermögen entsteht langsam, Aufgabe für Aufgabe, und jede Aufgabe hinterlässt einen Rückstand an Erfahrung. Die Nachwuchskraft übernimmt die Fleißarbeit nicht wegen der Arbeit selbst, sondern weil genau dabei die Mustererkennung installiert wird. Eine aktuelle Analyse nennt das den schleichenden Verzehr von Urteilskapital und argumentiert, dass selbst rechtskonformer, sorgfältig geführter KI-Einsatz normalisieren kann, genau jene Tätigkeiten auszulagern, durch die Urteilsvermögen überhaupt erst entsteht. Das ist ein Argument, keine Messung, aber der beschriebene Mechanismus lässt sich schwer wegwischen.

Ein konkretes Beispiel. Eine junge Analystin in der Transaktionsberatung baute früher die Peer-Group-Tabelle von Hand: Geschäftszahlen der Vergleichsunternehmen zusammentragen, die ausgewiesenen Werte gegen den Anhang abgleichen, die einmaligen Sondereffekte herausrechnen, die das Management in die „bereinigten“ Ergebnisse eingerechnet hatte. Die Tabelle selbst landete meist im Papierkorb. Was sie unsichtbar aufbaute, war ein Gespür dafür, welche Bereinigung legitim ist und welche das Unternehmen nur schönrechnet, ein Instinkt, der sich erst nach ein paar Hundert abgeglichenen Zahlen und einem Dutzend hereingelegter Fehleinschätzungen einstellt. Übergeben Sie diese Aufgabe einem Modell, und die Tabelle liegt in Sekunden vor, sauber formatiert, jede Bereinigung exakt so übernommen, wie das Management sie ausgewiesen hat. Die Nachwuchskraft behält den Output und entwickelt das Gespür nie. Fünf Jahre später, wenn eine Bewertung an einer aggressiven Bereinigung hängt, liefert das Modell weiterhin die Tabelle, und niemand im Raum hat den Instinkt, sie zu hinterfragen.

Wird dieser Kreislauf unterbrochen, verändert sich die Rechnung leise. Das Ergebnis stimmt weiterhin. Ein Modell liefert die Marktübersicht schneller und günstiger als jede Berufseinsteigerin, weshalb Unternehmen genau diese Arbeit an KI weiterreichen. Was wegfällt, ist die Berufseinsteigerin, die fünf Jahre später die Übersicht des Modells hätte prüfen und die falsche Zeile erkennen können.

Warum die Rechnung unsichtbar bleibt

Der Substanzverlust bleibt unsichtbar, weil er weder in der Bilanz noch im Stundenzettel auftaucht. Wird die Recherche-Aufgabe für Nachwuchskräfte gestrichen, zeigt sich das im laufenden Quartal als Kostenersparnis und Geschwindigkeitsgewinn, beides real. Die Verbindlichkeit, die dabei entsteht, eine versiegende Nachwuchspipeline, zeigt sich erst Jahre später als Personalproblem ohne erkennbare Ursache. Die Anreizfalle ist ein Lehrbuchfall: Die Ersparnis ist sofort sichtbar und messbar, der Schaden diffus und zeitlich verschoben, weshalb rational handelnde Führungskräfte genau in diese Falle optimieren. Verschärft wird das dadurch, dass selbst der kurzfristige Vorteil oft unbewiesen bleibt. Accenture berichtet selbst von enttäuschenden KI-Renditen, während der Konzern gleichzeitig Stellenabbau plant, ein Lehrstück für den Anreiz in Reinform: Die Personalersparnis wird bereits verbucht, gegen einen Ertrag, der sich noch nicht eingestellt hat.

Seien wir ehrlich, was den Status dieser These betrifft. Niemand verfügt über Daten, die eine kollabierende Senior-Riege nach festem Zeitplan zeigen, weil der Effekt langsam, diffus und Jahre von seiner vollen Ausprägung entfernt ist. Was folgt, ist eine Projektion aus einem Mechanismus, keine gemessene Kurve. Wenn die heutige Senior-Riege in den Ruhestand geht und niemand im Haus nachrücken kann, sind die Entscheidungen, die diese Lücke verursacht haben, längst vergessen und nicht mehr zurückzuverfolgen, weshalb das Argument vor der endgültigen Beweislage gemacht werden muss, nicht danach.

Das Prüfproblem frisst sich selbst

Hier liegt die Folge zweiter Ordnung, die jede technische Führungskraft beunruhigen sollte. Der Output eines Modells braucht weiterhin einen Menschen, der ihn prüfen kann, und Prüfen ist eine seniore Fähigkeit: das erworbene Urteilsvermögen, eine flüssige, selbstsichere Antwort anzusehen und zu erkennen, dass sie im Kern falsch ist. Diese Fähigkeit entstand durch genau die Arbeit, die das Modell heute übernimmt. Die Fähigkeit, die ein KI-lastiger Betrieb am dringendsten braucht, jemanden, der die Maschine beaufsichtigen kann, ist also genau jene, deren Trainingsgrund gerade wegautomatisiert wird. Man baut den Bestand an Prüfern ab und schließt zugleich die Fabrik, die neue Prüfer hervorbringt, und beides läuft auf denselben Punkt zu: flüssiger Output, den niemand im Raum fachlich anfechten kann.

Wie schwierig ist Prüfen wirklich? Schwieriger, als die meisten Prüfenden annehmen. Als METR 2025 eine randomisierte Studie mit erfahrenen Open-Source-Entwicklerinnen und -Entwicklern durchführte, waren sie mit KI-Unterstützung 19 Prozent langsamer, obwohl sie glaubten, um 20 Prozent schneller zu sein. Eine Studie, ein Setting, nicht mehr wert als das. Aber sie trifft den wunden Punkt genau: Wenn erfahrene Praktikerinnen und Praktiker nicht zuverlässig beurteilen können, ob das Werkzeug ihrer eigenen Arbeit geholfen hat, ist es geradezu fahrlässig, von einer unzureichend ausgebildeten Nachwuchskraft zu erwarten, dass sie fehlerhaften Output erkennt.

Der faire Einwand lautet, dass sich die Lehrjahre neu gestalten statt betrauern lassen. Vielleicht lernen Nachwuchskräfte schneller, wenn sie die Argumentation eines Modells hinterfragen, statt selbst Erstentwürfe zu schreiben. Vielleicht lässt sich Urteilsvermögen vermitteln, indem man Menschen vom ersten Tag an in die Rolle der Lektorin oder des Lektors setzt. Das ist plausibel und könnte sogar besser sein. Aber es setzt eines voraus: eine bewusste Gestaltungsentscheidung. Niemand landet dort von selbst. Der Standardweg gibt Nachwuchskräften die Antwort statt der Suche und trainiert sie darauf, Output zu vertrauen, den sie nicht bewerten können. Die Lehrjahre im Zeitraffer zu durchlaufen ist möglich. Sie versehentlich zu streichen ist das, was gerade tatsächlich passiert.

Was zu tun ist, bevor die Bank leer ist

Nichts davon spricht gegen die Werkzeuge. Es spricht dafür, Fachwissen als Infrastruktur zu behandeln, die bewusst gepflegt werden muss. Aus dem Mechanismus folgen drei Schritte. Erstens: entscheiden, welche prägende Arbeit Ausbildung ist und welche reine Kostenstelle, und Ersteres schützen, selbst wenn ein Modell sie günstiger erledigen könnte. Zweitens: die Einstiegsrolle um Prüfung und Widerspruch herum neu bauen statt um Textentwürfe, damit Menschen Urteilsvermögen durch das Gegenprüfen von Maschinen-Output erwerben, statt durch sie ersetzt zu werden. Drittens: das messen, was tatsächlich schwindet, nicht Kopfzahl oder Output, sondern wie viele Menschen im Haus zuverlässig eine falsche Antwort erkennen können.

Das gut zu machen, ist zunächst eine Strategiefrage und erst danach eine Tool-Frage, weshalb der sinnvolle Ausgangspunkt ein nüchterner Blick darauf ist, wo menschliches Urteilsvermögen im eigenen Arbeitsablauf wirklich Wert schafft, die Art von Bestandsaufnahme, die in eine ehrliche KI-Readiness-Prüfung gehört und nicht als nachträglicher Gedanke in den Rollout. Das spricht auch für Architekturen, die von vornherein einen kompetenten Menschen im Entscheidungsprozess belassen, nicht als Compliance-Häkchen. Wird das Betriebsmodell richtig aufgesetzt, verstärken die Werkzeuge die eigenen Leute. Wird es falsch aufgesetzt, höhlen sie sie aus. Wer diese Abwägung im eigenen Haus ernsthaft trifft, findet darin den Kern dessen, wofür ein technologisches Strategie-Mandat da ist.

Stellen Sie die Frage einem Vorstand ganz konkret. In zehn Jahren, wenn eine Bewertung, ein Sicherheitsnachweis oder ein Vertrag davon abhängt, einen selbstsicheren Fehler des Modells zu erkennen: Wer in der Belegschaft hat dann noch den Instinkt dafür? Diese Fähigkeit wird heute stillschweigend aufgebraucht, von Führungskräften, die nur am Quartalsergebnis gemessen wurden und in deren Formular keine Zeile für die Fachleute vorgesehen war, die sie beschlossen haben, nicht mehr auszubilden.

Häufige Fragen

Macht KI Berufseinsteiger überflüssig?

Die Rolle verändert sich, statt zu verschwinden. Das Verfassen von Entwürfen und das Zusammenstellen von Informationen, das früher den Arbeitstag einer Nachwuchskraft füllte, wird automatisiert, also muss die Rolle bewusst um Prüfung, Widerspruch und Verbesserung von Maschinen-Output herum neu gebaut werden. Unternehmen, die das nicht aktiv gestalten, bekommen Nachwuchskräfte, die nie das Urteilsvermögen entwickeln, um die eigenen Werkzeuge zu beaufsichtigen.

Wie bildet man Fachwissen aus, wenn KI die Einstiegsarbeit übernimmt?

Menschen früher in die Rolle der Lektorin oder des Lektors setzen. Statt Nachwuchskräfte Erstentwürfe schreiben zu lassen, sollten sie die Argumentation eines Modells hinterfragen, seine Fehler finden und ihre Korrekturen verteidigen. Das kann Urteilsvermögen schneller aufbauen als die alte Fleißarbeit, aber nur, wenn es bewusst gestaltet wird. Im Standardfall bekommen Nachwuchskräfte die Antwort statt der Suche und lernen, Output zu vertrauen, den sie nicht bewerten können.

Was ist die Lehrjahres-Lücke bei KI-Einführung?

Damit ist der verzögerte Mangel an seniorem Urteilsvermögen gemeint, der entsteht, wenn Unternehmen die prägende, wenig wertschöpfende Arbeit automatisieren, die früher Nachwuchskräfte zu Experten machte. Der Output bleibt erhalten, die nächste Senior-Generation aber nicht. Die Lücke bleibt jahrelang unsichtbar und zeigt sich erst als Personalkrise, wenn die aktuelle Senior-Riege in Rente geht und keine ausgebildeten Nachfolger da sind.