Wenn KI die Lehrjahre übernimmt: Der stille Verlust menschlicher Expertise

Wenn Maschinen die Lehrjahre übernehmen

Es gibt einen Moment in jedem Ingenieursberuf, der sich nicht simulieren lässt: den ersten wirklich unerwarteten Fehler, der das eigene Weltbild kurz ins Wanken bringt. Den Dead-End-Debugging-Marathon um drei Uhr morgens. Das verwirrende „Warum hat das jetzt funktioniert?" – und das langsame, mühsame Verstehen danach. Genau aus dieser Reibung entsteht, was man Expertise nennt. Und genau diese Reibung ist es, die leistungsfähige KI-Systeme heute zunehmend aus dem Berufsalltag herausnehmen.

Der IEEE Spectrum hat das Thema kürzlich in einem vielbeachteten Gastbeitrag aufgegriffen: Verfasser Richard Mitchell, Gründer von AuraSpark Technologies, beschreibt aus eigener Erfahrung mit einem Kernkraftwerk-Steuerungssystem, wie sein Team bewusst manuelle Schritte in automatisierbare Sequenzen eingebaut hat – nicht trotz der Automatisierung, sondern wegen ihr. Der Grund: Wer dauerhaft nur beaufsichtigt, hört irgendwann auf zu verstehen. Dieses Designprinzip – ineffizient by design, on purpose – ist heute aktueller denn je.

Die Daten sind schwer wegzureden

Was lange als diffuses Unbehagen unter Berufsbildungsexperten kursierte, bekommt zunehmend empirische Konturen. Ein Harvard-Arbeitspapier, das Daten von rund 65 Millionen Beschäftigten in über 280.000 US-Unternehmen auswertet, zeigt: Nach der Einführung generativer KI sank die Beschäftigung von Junior-Mitarbeitern innerhalb von sechs Quartalen um etwa neun Prozent – während die Zahl erfahrener Fachkräfte stabil blieb oder sogar wuchs. Eine Analyse auf Basis von ADP-Lohndaten der Stanford University bestätigt die Richtung: Die jüngsten Beschäftigten in KI-exponierten Berufen verloren seit Ende 2022 deutlich an Boden.

Aufschlussreich ist dabei die Differenzierung der Stanford-Forscher: Wo KI automatisiert, verlieren Juniors. Wo KI lediglich augmentiert – also bestehende Fähigkeiten ergänzt statt ersetzt –, bleibt die Juniorquote stabil oder steigt sogar. Die Kausalität ist noch nicht abschließend geklärt, und das ist wichtig zu betonen. Ökonomen der New York Fed verweisen auf Remote Work als Mitursache: Unternehmen scheuen es, unerfahrene Talente einzustellen, die sie nicht physisch einarbeiten können. Doch beide Erklärungen zeigen auf dasselbe Problem: Der Kanal, über den Expertenwissen von Erfahrenen zu Berufseinsteigern fließt – der Apprenticeship Channel – ist beschädigt.

„Sie können kein Senior-Ingenieur werden, ohne zuerst Junior gewesen zu sein. Expertise wird nicht heruntergeladen. Sie wird verdient."

Dieser Satz aus dem IEEE-Spectrum-Artikel trifft den Kern. Und er stellt Unternehmen vor eine strategische Frage, die weit über HR-Abteilungen hinausreicht.

Das Automatisierungsparadox: Eine alte Lektion aus der Luftfahrt

Sicherheitskritische Branchen kennen dieses Phänomen seit Jahrzehnten unter dem Begriff Automation Paradox: Je leistungsfähiger die Automatisierung, desto weniger Übung bekommt der Mensch – und desto überfordernder wird der Moment, in dem die Maschine die Kontrolle zurückgibt. Meist ist das genau dann, wenn die Situation besonders komplex ist.

Das Paradebeispiel ist Air France Flug 447, der 2009 über dem Atlantik abstürzte. Vereiste Sensoren lieferten falsche Daten, der Autopilot schaltete sich korrekt ab und übergab die Kontrolle an die Crew. Was folgte, war kein technisches Versagen – es war ein Kompetenzversagen. Piloten, die jahrelang einer hochgradig automatisierten Maschine beim Fliegen zugesehen hatten, konnten einen aerodynamischen Strömungsabriss in großer Höhe nicht mehr manuell kompensieren. Das Flugzeug war intakt. Die Fähigkeit, die die Automatisierung still erodiert hatte, war es nicht.

Die Reaktion der Luftfahrtbehörden war lehrreich: Nicht die Automatisierung wurde zurückgebaut, sondern manuelles Fliegen wurde als eigenständige Kompetenz institutionalisiert. Die FAA erklärte 2017 in einem Safety Alert formell, dass manuelles Fliegen das Fundament aller weiteren fliegerischen Fähigkeiten sei. Skill Decay wurde als eigenständiges Sicherheitsrisiko anerkannt und in Trainingsprogramme eingepreist.

Was das für Unternehmen bedeutet, die auf KI-Automatisierung setzen

Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, weist in Kundengesprächen regelmäßig auf genau diesen blinden Fleck hin: „Der ROI einer Automatisierung ist oft sofort sichtbar – die langfristigen Kompetenzkosten nicht. Wenn ein Junior-Mitarbeiter nie mehr lernt, warum ein Prozess auf eine bestimmte Weise funktioniert, weil die KI das bereits erledigt, dann bauen Unternehmen auf einer Wissensbasis, die systematisch ausdünnt."

Für Organisationen, die KI-Agenten und Workflow-Automatisierung einführen, ergeben sich daraus konkrete Gestaltungsfragen:

• Welche Aufgaben sollten bewusst manuell bleiben? Nicht aus Nostalgie, sondern um kritisches Prozessverständnis zu erhalten und zu entwickeln.
• Wie wird Fehlerlernen strukturiert ermöglicht? KI-Systeme tendieren dazu, Fehler zu verhindern – damit nehmen sie auch die Lerngelegenheit weg. Sandboxed Environments und strukturierte Fallanalysen können das kompensieren.
• Welche Rolle übernimmt der menschliche Mitarbeiter beim Augmenting vs. Automating? Der Unterschied ist entscheidend – nicht nur für die Jobsicherheit, sondern für die Qualität der Entscheidungsgrundlage in Grenzfällen.
• Wie wird Mentoring in einer hybriden Mensch-KI-Umgebung skaliert? Wenn KI die einfachen Aufgaben übernimmt, müssen Senior-Mitarbeiter bewusster und strukturierter als Wissensvermittler eingeplant werden.

Die stille Gefahr: Confident but Wrong

Das vielleicht gefährlichste Szenario ist nicht die totale Abhängigkeit von KI-Systemen – das lässt sich leicht benennen und adressieren. Die eigentliche Gefahr ist subtiler: eine Generation von Fachkräften, die gelernt hat, KI-Outputs zu beaufsichtigen und zu validieren, ohne je die Grundlagen internalisiert zu haben, anhand derer ein Output als plausibel oder implausibel einzuordnen wäre.

Große Sprachmodelle und agentenbasierte KI-Systeme liefern Antworten mit gleichbleibender Sicherheit – unabhängig davon, ob sie korrekt oder fundamental falsch liegen. Confident but wrong ist keine Seltenheit, sondern ein strukturelles Merkmal aktueller Generative-AI-Systeme. Wer die fachliche Grundlage nicht hat, um diese Fehler zu erkennen, wird sie in Workflows, Berichte und Entscheidungen übernehmen – ohne es zu merken.

Das ist kein Argument gegen KI-Automatisierung. Es ist ein Argument für bewusstes Design: für Systeme, die nicht nur Effizienz maximieren, sondern auch die menschliche Kompetenz kultivieren, die diese Effizienz langfristig sicher und belastbar macht.

Vom Effizienzdenken zum Kompetenzdesign

Die Erfahrungen aus Kernkraft und Luftfahrt lassen sich auf Software-Engineering, Datenanalyse, Rechtsberatung, Controlling und viele andere Wissensberufe übertragen. Überall dort, wo KI routinemäßige kognitive Arbeit übernimmt, stellt sich dieselbe strukturelle Frage: Wie wird sichergestellt, dass der menschliche Experte der Zukunft nicht nur Ausgang und Prozess überwacht, sondern wirklich versteht, was er überwacht?

Dr. Maik Bunzel bringt es auf eine einfache Formel, die er bei der Konzeption von Automatisierungsprojekten anlegt: „Eine gute KI-Lösung macht den Menschen nicht überflüssig – sie macht ihn in den Momenten, die wirklich zählen, besser." Das setzt voraus, dass die Momente, in denen Menschen noch selbst denken, nicht systematisch wegoptimiert werden.

Für Unternehmen, die gerade KI-Agenten und Automatisierungsworkflows aufbauen oder evaluieren, bedeutet das: Die Frage nach dem ROI gehört zwingend ergänzt durch die Frage nach dem Kompetenz-Impact. Welche Fähigkeiten werden durch die neue Architektur gestärkt? Welche atrophieren? Und welche Schutzmaßnahmen – analog zum manuellen Fliegen in der Luftfahrt – werden bewusst eingebaut?

Ausblick: KI-Einführung als Designprozess

Die nächste Phase der Unternehmensautomatisierung wird nicht diejenigen belohnen, die am meisten automatisieren. Sie wird diejenigen belohnen, die am klügsten automatisieren – die verstehen, welche Kompetenz in der Organisation erhalten werden muss, und die ihre KI-Systeme entsprechend gestalten.

Das Kernkraftwerk aus dem IEEE-Spectrum-Artikel wurde nie gebaut. Aber das Designprinzip, das in seinen Schaltkreisen steckte, ist heute aktueller als je zuvor: Manchmal ist das Ineffiziente das Klügste. Unternehmen, die das begreifen und in ihrer KI-Strategie umsetzen, werden in fünf Jahren nicht nur effizientere Prozesse haben – sie werden auch die besseren Expertinnen und Experten.