Sie wollen nur Seniors. Wer soll sie ausbilden?

Kein Unternehmen muss eine überflüssige Tätigkeit behalten, nur weil vor zwanzig Jahren jemand an ihr sein Handwerk gelernt hat. Wenn ein Assistent in wenigen Minuten einen brauchbaren ersten Entwurf schreibt, wird es keine gute Idee, die neue Kollegin einen Nachmittag lang an demselben Entwurf sitzen zu lassen, bloß weil wir es Ausbildung nennen. Vielleicht rechtfertigen wir damit nur unsere Gewohnheiten.

Das sage ich gleich zu Beginn, denn dies ist kein Loblied auf „Lehrjahre sind keine Herrenjahre“. Wer heute in einen Beruf einsteigt, schuldet niemandem die Wiederholung unserer Ineffizienzen. Ein Entwickler muss nicht jede Funktion einer Bibliothek auswendig kennen, und der Wert einer Analystin bemisst sich nicht an den Stunden, die sie mit dem Aufräumen von Tabellenzellen verbracht hat. Ein Teil dessen, was wir Lehrjahre nannten, war langweilige Arbeit für diejenigen, die am wenigsten Nein sagen konnten, und dadurch, dass wir es Schule nannten, wurde es keine. Wenn die KI das übernimmt, weine ich dem keine Träne nach.

Das Problem beginnt danach. Sobald wir entschieden haben, was nicht mehr getan werden muss, halten wir oft auch die Frage für erledigt, was noch gelernt werden muss.

Nehmen wir ein Unternehmen, das einen wachsenden Teil seiner Arbeit an die KI gibt und die Kontrolle bei wenigen erfahrenen Leuten bündelt. Das kann sehr gut funktionieren, und man muss keinen Vorfall erfinden, um es zu hinterfragen. Es genügt die Frage, was die Person, die heute in dieses Unternehmen kommt, tun wird, um eines Tages selbst diese Kontrolle ausüben zu können. „Sie wird KI benutzen“ ist keine Antwort. Die KI ist das Werkzeug, das sie haben wird, nicht der Weg, auf dem sie lernt, wann sie ihm trauen kann.

Ich spreche von einer bestimmten Art von Organisation, nicht von allen: von der, die Einstiegsmöglichkeiten und Lerngelegenheiten abbaut und trotzdem weiter auf dem Urteil erfahrener Fachleute aufbaut. In ihren Plänen taucht Erfahrung als etwas auf, das man von außen beziehen kann. Heute brauchen wir Leute, die es schon können, morgen brauchen wir andere, irgendwer wird sie ausgebildet haben.

Selbst wer den Motor verkauft, lässt üben

Am 2. Oktober hat Anthropic die Claude Frontier Academy angekündigt: 100 Millionen Dollar, um bis Ende 2027 10.000 Ingenieurinnen und Ingenieure auszubilden. Ein Programm für Einsteiger ist das nicht. Die Unternehmen schlagen ihre besten Leute vor. Die verbringen einige intensive Tage mit Anthropics Ingenieuren, legen eine praktische Prüfung an einem unbekannten Szenario ab und leiten danach zwölf Wochen lang ein echtes Projekt in ihrer eigenen Organisation. Am Ende werden sie noch einmal bewertet.

Ich lese das nicht als Geständnis im Sinne von „KI funktioniert nicht ohne Menschen“ und auch nicht als Philanthropie. Es ist eine kommerzielle Investition: Wer diese Systeme verkauft, braucht Leute, die sie gut einführen können, und baut sie sich selbst heran. Mich interessiert die Methode. Selbst bei Fachleuten, die ihr Handwerk schon beherrschen, begnügt sich das Unternehmen, das das Modell herstellt, nicht damit, Zugang zum Werkzeug zu verschaffen. Es setzt auf Übung an echten Fällen und auf eine Prüfung dessen, was die Leute tatsächlich können.

Wenn der gute Umgang mit diesen Systemen sogar für Leute mit jahrelanger Berufserfahrung einen Weg braucht, ist die Frage an alle anderen einfach. Wo steht dieser Weg in Ihrem Plan?

Das abgelieferte Ergebnis und die Person, die es erarbeitet hat

Eine Aufgabe, die man jemandem in der Ausbildung überträgt, erzeugt zwei Dinge. Das eine ist das abgelieferte Ergebnis, mit Auftraggeber und Frist. Das andere ist das, was diese Person danach kann, und das hat weder Auftraggeber noch Frist: Es entsteht nur, wenn jemand beschließt, darin zu investieren.

KI kann beides verbessern. Sie kann auch nur eines davon verbessern, und am Ergebnis lässt sich nicht ablesen, welches.

Eine Studie von Judy Hanwen Shen und Alex Tamkin, im Januar erschienen und von Anthropic selbst vorgestellt, macht den Unterschied sichtbar. Zweiundfünfzig Entwicklerinnen und Entwickler, die meisten am Anfang ihrer Laufbahn, sollten mit Trio arbeiten, einer Python-Bibliothek, die keiner von ihnen kannte. Ein Teil durfte sich von einem Assistenten helfen lassen, der andere nicht. Im anschließenden Verständnistest kam die unterstützte Gruppe im Schnitt auf 50 %, die Gruppe ohne KI auf 67 %, und am größten war der Abstand bei den Fragen zur Fehlersuche. Die Zeitersparnis dagegen war statistisch nicht signifikant. Man sollte das lesen, als was es ist: siebzehn Punkte weniger Verständnis, gemessen direkt nach dieser Aufgabe, nicht 17 % verlorene Kompetenz. Die Stichprobe ist klein, die Aufgabe eng, die Messung unmittelbar, und über Berufsjahre oder bereits gefestigtes Können sagt die Studie nichts. Die Autoren beobachten außerdem, dass diejenigen besser abschnitten, die sich vom Assistenten Dinge erklären ließen, statt sie sich fertig liefern zu lassen. Aber niemand war einer Nutzungsweise zufällig zugeteilt worden, und ein Rezept nach dem Muster „Fragen Sie nach Erklärungen, dann löst sich das Problem“ lässt sich daraus nicht ableiten.

Eine andere Arbeit weist in die Gegenrichtung und verdient denselben Platz. Erik Brynjolfsson, Danielle Li und Lindsey Raymond haben untersucht, wie ein Assistent in einem Kundenservice mit 5.172 Beschäftigten eingeführt wurde, in einem Aufsatz, der 2025 im Quarterly Journal of Economics erschienen ist. Die pro Stunde gelösten Anfragen stiegen im Schnitt um rund 15 %, bei den Unerfahrensten um rund 30 %, während sich bei den Erfahrensten kaum etwas tat. In den Zeiten, in denen das System ausfiel, finden die Autoren Hinweise, die zu einem Lerneffekt passen, der auch ohne Assistenten bleibt. Sie warnen, dass diese Ausfälle selten und nicht unbedingt zufällig sind.

Nebeneinandergelegt sagen die beiden Studien weder, dass KI ihre Nutzer verarmen lässt, noch, dass sie sie ausbildet. Sie sagen, dass sie beides kann, je nach Arbeit und je nachdem, wie man sie einsetzt. Die Frage an Führungskräfte lautet deshalb nicht, ob KI Menschen besser macht. Sie lautet: Wenn jemand dank KI mehr Arbeit erledigt, worauf stützen Sie dann die Überzeugung, dass er auch selbstständiger geworden ist?

Ein Export, der ein paar Minuten dauert

Ein erfundenes, aber ganz gewöhnliches Beispiel. Ein Unternehmen soll seinem ERP-System eine Funktion zum Exportieren von Dokumenten hinzufügen. Die Aufgabe geht an eine Person, die erst seit Kurzem dabei ist und sie mit einem Assistenten erledigt. Die KI liefert eine Lösung, die vorgesehenen Tests laufen durch, ein erfahrener Kollege sieht sie sich an und gibt sie frei. Die Aufgabe ist korrekt erledigt.

Jetzt stelle ich eine andere Frage. Ein Nutzer startet einen Export, der einige Minuten dauert. In der Zwischenzeit wird ihm der Zugriff auf diese Dokumente entzogen. Soll die Datei trotzdem erzeugt und ausgeliefert werden?

Dafür muss die KI keinen Fehler gemacht haben. Vielleicht hat sie den Fall tadellos behandelt. Was ich wissen will, betrifft die Person. Hatte sie das Problem bemerkt? Könnte sie sagen, welche Anforderung geklärt werden musste, und mit wem? Könnte sie einen Test schreiben, der das eine Verhalten vom anderen unterscheidet?

In der ersten Organisation korrigiert der erfahrene Kollege oder gibt frei, und alle gehen zur nächsten Aufgabe über. In der zweiten schreibt die Person, bevor sie die Lösung ansieht, auf, was sie in diesem Fall erwartet. Dann vergleicht sie ihre Prognose mit dem Code, und der Kollege bespricht mit ihr die Stelle, an der ihre Überlegung lückenhaft war.

Beide Organisationen können am selben Tag dasselbe Produkt ausliefern. Nur die zweite enthält wenigstens eine ausdrückliche Gelegenheit, etwas zu lernen, und selbst das beweist nicht, dass die Gelegenheit genutzt wurde. Um das zu wissen, muss man dieselbe Person ein paar Wochen später vor einen anderen Fall stellen.

In dieser Geschichte gibt es keinen Vorfall, keine unfähige Anfängerin, keine dumme Maschine. Das Ergebnis ist gut, und die Frage nach dem Wachstum bleibt offen. Wer in Ihrem Team bemerkt den Unterschied zwischen beidem?

Wer bezahlt die Lehrzeit

Über das Paradox der Lehrzeit habe ich schon geschrieben: Automatisierung droht den Prozess aufzuzehren, über den sich professionelles Urteil weitergibt, und es ist besser, ihn bewusst zu gestalten. In Messen, was knapp bleibt habe ich argumentiert, dass sich der Wert in Richtung Urteil und Prüfung verschiebt. Das anzuerkennen, erklärt noch nicht, wie diese Fähigkeit entsteht. Hier möchte ich eine Ebene tiefer gehen, von der Berufskultur zu den Zahlen eines Unternehmens.

Denken wir an eine wirtschaftlich nützliche Aufgabe, eng genug, um sie einer unerfahrenen Person zu geben, und interessant genug, um ihr etwas beizubringen. Der Kunde bezahlt das Ergebnis. Das Unternehmen nutzt einen Teil dieser Arbeit, um jemanden wachsen zu lassen, und trägt die Kosten der Betreuung. Das rechnet sich nicht immer, aber wenigstens stehen Produktion und Lernen auf derselben Rechnung.

Wenn die KI den ausführenden Teil viel besser erledigt, kann es vernünftig sein, ihn zu automatisieren, und wer das entscheidet, trifft vielleicht eine ausgezeichnete Produktionsentscheidung. Offen bleibt aber, wie man die Erfahrung finanziert, die früher innerhalb dieser Produktion entstand. In solchen Fällen verschwindet Ausbildung nicht, weil jemand sie für nutzlos hält. Sie verschwindet, weil niemand mehr einen unmittelbaren Grund hat, sie in der bisherigen Form zu bezahlen.

„Die Leute müssen sich eben weiterbilden“ schließt diese Lücke nicht. Sich weiterzubilden ist Sache des Einzelnen. In einer Organisation nach und nach größere Verantwortung übernehmen zu können, ist etwas anderes, und es hängt davon ab, wie die Organisation Arbeit verteilt.

Dasselbe gilt für einen Satz, der in vielen Einführungsplänen steht: Die Juniors werden die Ergebnisse der KI kontrollieren. Er beschreibt eine Aufgabe, aber nicht, wie man fähig wird, sie zu erfüllen. Welchen Fehler soll diese Person erkennen? Auf welche Belege kann sie sich stützen? Was passiert, wenn die Lösung formal korrekt ist, das Problem aber falsch gestellt war? Ich behaupte nicht, dass man eine Lösung immer von Grund auf selbst schreiben können muss, um sie zu beurteilen, das wäre zu viel. Ich behaupte, dass man wissen muss, welche Fähigkeiten diese Kontrolle verlangt, und dann prüfen muss, ob die tägliche Arbeit sie wachsen lässt. Aufsicht lernt man nicht dadurch, dass man zur Aufsicht ernannt wird.

Dann ist da der Lieferdruck. Ein Unternehmen kann seine Leute ermuntern, mit KI zu lernen, und sie gleichzeitig nur nach erledigten Aufgaben beurteilen. Unter diesen Bedingungen wird es zu einer Entscheidung, die man aus eigener Tasche bezahlt, innezuhalten, um sich etwas erklären zu lassen, oder einer Auffälligkeit nachzugehen. Wer sofort delegiert, ist früher fertig, wer verstehen will, muss die zusätzliche Zeit rechtfertigen. Man muss den einen nicht faul und den anderen tugendhaft nennen. Die Organisation macht ein Verhalten lohnend und empfiehlt ein anderes, und solange sie die Kosten des Lernens nicht in die Aufgabenverteilung einplant, bleibt „Nutzen Sie KI bewusst“ ein Ratschlag ohne die Bedingungen, ihm zu folgen.

Die ernsthafteste Antwort auf all das lautet, dass man Seniors eben auf dem Arbeitsmarkt einstellt. Für ein einzelnes Unternehmen ist das legitim. Nicht jedes muss jede Kompetenz selbst heranbilden, und eine Firma mit zehn Leuten könnte es nicht einmal versuchen. Man sollte es aber beim Namen nennen: eine Strategie, die davon abhängt, dass es auch künftig Menschen gibt, die jemand anderes ausgebildet hat. Wenn alle so handelten, würde der Einkauf von Erfahrung nicht ausreichen, um welche zu erzeugen. Man muss keinen Zusammenbruch des Arbeitsmarkts vorhersagen, um diese Abhängigkeit zu sehen. Es reicht, sie in den Plan zu schreiben, neben die anderen.

Dazu kommt der älteste Einwand: Wenn wir sie ausbilden, gehen sie. Das stimmt, der Ertrag ist unsicher, und wer angestellt ist, hat jedes Recht, den Arbeitgeber zu wechseln. Der Vergleich muss aber vollständig sein: die Kosten, jemanden im eigenen Haus wachsen zu lassen, gegen die Kosten, von wenigen bereits erfahrenen Leuten abzuhängen, die ebenfalls gehen können und mehr kosten. Dazwischen gibt es Mittelwege, etwa einen Teil der Investition mit Hochschulen, Berufsschulen oder anderen Unternehmen zu teilen.

Und wenn sich auch die Prüfung automatisieren lässt? Wo es verlässliche Kriterien gibt, ist das eine gute Idee, und ich verteidige nicht das menschliche Lesen jeder einzelnen Zeile. Bleibt die Frage, wer entscheidet, dass diese Kriterien zum Fall passen, und wer die Anforderung bemerkt, die niemand aufgeschrieben hat. Wenn eines Tages auch das gut automatisiert wird, ändern sich die Fähigkeiten, die man ausbilden muss, ein weiteres Mal. Für grundsätzlich unersetzlich erkläre ich sie nicht.

Acht Wochen, um herauszufinden, ob jemand lernt

Wir müssen den Weg, den wir selbst gegangen sind, nicht bewahren. Wir müssen aber erklären können, warum das, was ihn ersetzt, funktionieren sollte. Ich verlange nicht, dass man eine Technologie für harmlos erklärt, bevor man sie einsetzt. Ich verlange von denen, die Arbeit organisieren, das Lernen zu den erwarteten Ergebnissen zu zählen und es zu überprüfen.

Der stärkste Einwand an dieser Stelle lautet, dass ein Junior mit KI schneller wachsen kann. Möglich. Wenn ein Teil der ausführenden Arbeit wegfällt, könnten wir Einsteiger früher an Probleme heranführen, die zählen. Ein Assistent kann erklären, wenn gerade keine Kollegin Zeit hat, und einen Austausch zugänglich machen, der früher vom Glück abhing, an einen guten Mentor zu geraten. Genau das ist eine der Möglichkeiten, die man prüfen sollte. Was ich bestreite, ist die nie belegte Gleichsetzung von Zugang zum Werkzeug und beruflichem Wachstum.

Die Bildungsforschung legt nahe, dass es sehr darauf ankommt, wie die Hilfe gebaut ist. In einem Experiment, das 2025 in PNAS erschienen ist, gaben Hamsa Bastani und ihre Kollegen fast tausend Mathematikschülern eines türkischen Gymnasiums zwei Werkzeuge auf Basis von GPT-4: einen allgemeinen Assistenten und einen Tutor, der die Antwort bewusst nicht einfach verrät. Beide verbesserten die Ergebnisse während der Übungen. Als die Hilfe wegfiel, schnitten diejenigen, die den allgemeinen Assistenten benutzt hatten, schlechter ab als die, die nie etwas gehabt hatten, während die Tutor-Gruppe ungefähr gleichauf mit ihnen lag. Ein Gymnasium ist kein Softwarehaus, und die Zahlen übertrage ich nicht. Ich nehme etwas Kleineres mit: Wie wir Unterstützung organisieren, verändert, was Menschen lernen, und die unterschiedlichen Ergebnisse in der Forschung kommen auch daher. Ob gelernt wird, lässt sich nicht aus der Einführung eines Werkzeugs ableiten. Man muss es im eigenen Umfeld ansehen.

Mein konkreter Vorschlag ist ein organisatorisches Experiment über acht Wochen. Die Dauer ist eine Gestaltungsentscheidung, keine Zahl aus den Studien. Es geht nicht darum, neue Seniors zu zertifizieren, sondern herauszufinden, ob eine bestimmte Arbeitsweise eine Fähigkeit aufbaut, die man vorher festgelegt hat.

Man wählt eine klar umrissene Verantwortung, zum Beispiel zu beurteilen, ob eine Zugriffskontrolle korrekt ist. Man bestimmt eine Person, die lernen soll, diese Verantwortung auszuüben, und einen Kollegen, der ihre Überlegungen prüfen kann. Seine Zeit wird in die Aufgabenplanung aufgenommen, statt als Gefallen zwischen zwei dringenden Dingen erbeten zu werden. Die lernende Person muss nicht jung sein. Es kann ein Entwickler mit fünfzehn Berufsjahren sein, der noch nie mit Berechtigungen und Rollen gearbeitet hat. Junior beschreibt hier, wo jemand gegenüber einem Problem steht, nicht das Alter.

Zu Beginn schaut man, wie die Person einen typischen Fall angeht. Die KI bleibt verfügbar, weil sie zur echten Arbeit gehört. Bevor die Person die Lösung sieht, schreibt sie aber eine Prognose auf: was passieren sollte, und welcher Beleg zeigen würde, dass sie sich irrt. In den folgenden Wochen wechseln gewöhnliche Fälle und Varianten ab, und der Kollege gibt das Ergebnis nicht einfach frei. Er sucht die Stelle, über die es sich zu sprechen lohnt. Die Frage ist nicht, ob die Erklärung überzeugend klingt, sondern ob sie zu einer passenden Prüfung führt.

Gegen Ende kommt ein neuer Fall, keine Kopie einer früheren Übung und kein Gedächtnisquiz. Man beobachtet, ob die Person das Problem erkennt, ohne dass jemand darauf zeigt, und wie viel Hilfe sie braucht, um zu einer begründeten Entscheidung zu kommen. Ein kurzer Test ohne Assistenten kann helfen, das Gelernte vom weiterhin Delegierten zu unterscheiden, solange daraus kein allgemeines Verbot wird. Echte Arbeit wird mit Werkzeugen erledigt, und dazu gehört, sie gut zu nutzen.

Das Experiment muss nur wenige Fragen beantworten. Findet die Person häufiger als vorher selbst heraus, welche Informationen fehlen? Kann sie einen Test bauen, der die Lösung wirklich auf die Probe stellt? Erkennt sie den Moment, in dem sie anhalten und jemanden dazuholen muss? Auch die Fähigkeit, nicht freizugeben, zählt. Jemanden selbstsicherer zu machen, ohne ihn besser darin zu machen, die eigenen Grenzen zu sehen, ist das schlechteste mögliche Ergebnis.

All das kostet etwas, und diese Kosten muss man zusammen mit den Auswirkungen auf die Lieferungen messen. Wenn sich nach acht Wochen keine Verbesserung zeigt, ändert man die Methode. Es ist keine Praxis, die man verteidigt, weil sie per Definition „lehrreich“ wäre. Und man muss auch keine Schule werden: Eine einzige gut gelernte Verantwortung ist mehr wert als ein allgemeines KI-Schulungsprogramm.

Wo diese Kosten stehen

Nur Leute einzustellen, die schon Erfahrung haben, kann eine vernünftige Entscheidung sein. Es heißt, mit ihrer Arbeit auch das Ergebnis einer Investition zu kaufen, die jemand anderes vor uns getätigt hat. Daran ist nichts Anstößiges. Es ist aber etwas anderes, als zu glauben, diese Erfahrung entstehe von selbst.

Und es ist kein Problem, das man auf die Beschäftigten abwälzen kann. Es wäre widersprüchlich, von ihnen zu verlangen, in ihr eigenes Lernen zu investieren, während die Organisation diese Zeit als Umweg auf dem Weg zur Lieferung betrachtet.

Wenn KI die Arbeit überflüssig macht, an der wir gelernt haben, haben wir die Gelegenheit, einen besseren Weg zu bauen und vielleicht früher zu einer nützlicheren Kompetenz zu kommen. Ob das gelingt, wissen wir nur, wenn wir diesen Weg gestalten und hinsehen, was er den Menschen über das abgelieferte Ergebnis hinaus hinterlässt. Von den alten Lehrjahren können wir uns ohne Bedauern verabschieden. Was an ihre Stelle tritt, dürfen wir aber erst Ausbildung nennen, wenn wir geprüft haben, dass jemand dabei lernt.

In Ihrem Einführungsplan steht, wer die Maschinen kontrollieren wird. Wo steht, wie diese Person fähig wird, das zu tun?

Der Autor

Andrea MargiovanniKI

Ich verfolge das Verhältnis zwischen KI und europäischer Regulierung als politisches Faktum, nicht als technisches Spektakel. Ich arbeite mit Teams, die KI mit AI Act, CRA, NIS2 vereinbar machen müssen, ohne Compliance auf eine Checkliste zu reduzieren.

Zum Weg →