EY, KPMG und andere große Beratungen diskutieren derzeit, wie Berufseinsteiger im KI-Zeitalter ausgebildet werden sollen. Recherche, erste Analysen, Präsentationen und Entwürfe lassen sich mit KI schneller erledigen und teilweise automatisieren. Ausgerechnet jene Aufgaben geraten damit unter Druck, die bisher den Einstieg in viele wissensintensive Berufe geprägt haben.
Das wirkt zunächst wie eine gewöhnliche Produktivitätsgeschichte: Eine Maschine übernimmt Routine, Menschen gewinnen Zeit für Anspruchsvolleres. So weit, so erfreulich.
Die Sache hat allerdings einen Haken.
In zwei früheren Gedanken habe ich beschrieben, wie KI Fachwissen leichter zugänglich macht und Kompetenzsignale verändert. Wenn Wissen, Sprache und Analyse breiter verfügbar sind, gewinnen Erfahrung, Kontextverständnis und Urteilskraft relativ an Bedeutung.
Doch wie entstehen diese Fähigkeiten künftig überhaupt?
In der Praxis meistens ausgesprochen unspektakulär: durch Beobachtung, eigene Versuche, Korrekturen und den Kontakt mit Menschen, die weiter sind als man selbst. Oder etwas salopper: Man probiert etwas, macht einen Fehler und bekommt im besten Fall erklärt, warum es Blödsinn war.
Was ich am Beginn meiner Karriere lernen durfte
Zu Beginn meiner Karriere hatte ich einen Chef, der ausgesprochen fordernd war und mich gleichzeitig vollumfänglich eingebunden hat. Er nahm mich zu allen Meetings mit und ließ mich an Themen teilhaben, die für meine damalige Rolle keineswegs selbstverständlich waren.
Dadurch konnte ich beobachten, wie Entscheidungen tatsächlich entstehen: wie solche Meetings ablaufen, welche Fragen gestellt werden, welche Interessen im Raum stehen und weshalb vermeintlich klare Lösungen plötzlich nicht mehr funktionieren.
Das war sehr oft anstrengend, aber eine ausgesprochen gute Schule.
Rückblickend habe ich da mehr gelernt als in jeder formalen Schulung. Nicht weil mir jede Antwort fertig erklärt wurde. Ich hatte Zugang zum gesamten Denk-, Diskussions- und Entscheidungsprozess.
Ein Meeting war damit nicht nur ein Termin, sondern Anschauungsmaterial.
KI kann diesen Lernweg beschleunigen und vereinfachen. Die Krux: Man lernt dabei nicht automatisch, woran eine schlechte Lösung zu erkennen ist oder weshalb eine kleine Abweichung im Kontext das gesamte Urteil verändert.
Wissen lässt sich komprimieren, Erfahrung leider nicht.
Lernen braucht produktive Anstrengung
Bill Gates beschreibt in seinem aktuellen Essay zwei Entwicklungen, die bemerkenswert genau dazu passen. Gerade Einstiegs- und mittlere Positionen hält er für besonders gefährdet, während neue Aufgaben Fähigkeiten verlangen, deren Aufbau Jahre dauert.
Darin steckt ein Paradox: Tätigkeiten, für die später hohe Kompetenz verlangt wird, benötigen Menschen, die vorher irgendwo weniger kompetent sein dürfen.
Für den Bildungsbereich verwendet Gates den treffenden Begriff productive struggle: jene kognitive Anstrengung, durch die Verständnis entsteht. Eine gute Lern-KI hält die Antwort zeitweise zurück und hilft dem Lernenden, selbst dorthin zu gelangen.
Nicht jede Reibung ist Verschwendung
Nassim Nicholas Taleb misst Versuch und Irrtum einen besonderen Wert bei. Sein antifragiles Tüfteln beruht vereinfacht darauf, viele kleine Fehler zuzulassen, deren Schaden begrenzt und deren Informationswert hoch ist.
Auf berufliches Lernen übertragen bedeutet das nicht, Fehler romantisch zu verklären. Manche sind teuer, vermeidbar oder gefährlich. Interessant ist die Asymmetrie: begrenzter möglicher Schaden, aber hoher Informationswert.
Menschen brauchen deshalb einen Rahmen, in dem Irrtümer möglich bleiben, ohne das Projekt, den Kunden oder die Organisation zu gefährden. Wer nie selbst irrt, entwickelt nur schwer ein Gespür dafür, wie sich ein Irrtum ankündigt und wie eine vernünftige Korrektur aussieht.
Das spricht nicht dafür, stumpfe Arbeit künstlich zu konservieren. Niemand wird durch das hundertste Formatieren derselben Präsentation zum guten Entscheider. Manche Umwege sind wirklich nur Verschwendung.
Andere Irrungen sind Lehrjahre.
Die Kunst liegt darin, entbehrliche Routine von produktiver Reibung zu unterscheiden und kleine, verkraftbare Fehler zuzulassen, bevor unter echter Verantwortung die großen passieren.
Eine Meritokratie braucht Nachwuchs
Ray Dalios Idee einer glaubwürdigkeitsgewichteten Ideen-Meritokratie erhält dadurch eine zusätzliche Spannung. Mehr Gewicht bekommen Menschen, die wiederholt nachvollziehbar gute Urteile treffen und ihre Einschätzungen an der Realität kalibrieren. Eine Organisation folgt damit weder automatisch der formal höchsten noch der rhetorisch stärksten Stimme.
Aber woher kommen diese Menschen künftig?
Glaubwürdigkeit wächst über beobachtbare Entscheidungen, Fehler, Korrekturen und Ergebnisse. Dafür müssen Menschen selbst denken, Verantwortung tragen und sich an der Wirklichkeit bewähren.
Eine Meritokratie kann nur aus jener Expertise auswählen, die eine Organisation zuvor entstehen lässt.
Wenn junge Mitarbeiter perfekte Analysen vorlegen, aber kaum eigene Erfahrungen mit ihrer Entstehung, Umsetzung und Widerlegung sammeln, wird auch die Bewertung ihrer Glaubwürdigkeit schwieriger. Die Ideen-Meritokratie droht zu einer Plausibilitäts-Meritokratie zu werden. Es gewinnt, was am besten strukturiert, präsentiert und formuliert erscheint.
Ausgerechnet diese Kompetenzsignale kann KI mittlerweile serienmäßig erzeugen.
Kann KI nicht selbst zum Mentor werden?
Der stärkste Einwand liegt auf der Hand: KI kann nicht nur Arbeit übernehmen, sondern ebenso beim Lernen helfen. Sie kann geduldig erklären, Rückfragen stellen, Gegenargumente entwickeln und innerhalb weniger Sekunden Feedback geben. Ein menschlicher Senior hat dafür im Alltag häufig weder die Zeit noch die Geduld.
Dieser Einwand ist berechtigt. KI kann einer der leistungsfähigsten Lernbegleiter werden, die wir je hatten. Ob sie Lernen verkürzt oder verbessert, hängt von ihrer Anwendung ab: Liefert sie sofort die beste Antwort oder fragt sie zunächst nach der eigenen Einschätzung, zeigt Widersprüche und lässt den Menschen einen Lösungsweg entwickeln?
Reale Erfahrung ersetzt sie trotzdem nicht. Verantwortung fühlt sich anders an, wenn eine Entscheidung Konsequenzen für Kunden, Kollegen, Kosten oder Termine besitzt. Und manche soziale Dynamik versteht man erst, wenn ein Einwand nicht als Text erscheint, sondern von einem verärgerten Menschen vorgebracht wird.
KI kann Mentorship erweitern. Sie macht menschliche Einbindung damit nicht überflüssig.
Präsenz allein löst allerdings wenig
Die Antwort kann deshalb nicht einfach lauten, Berufseinsteiger häufiger ins Büro zu bestellen. Ein Junior lernt nicht automatisch, weil er neben einem Senior sitzt, der zwischen Videokonferenzen und E-Mails kaum Zeit für ihn hat.
Präsenz ist noch kein Mentorship-Programm.
Organisationen müssen Lernwege bewusster gestalten: eigene Lösungsversuche vor der KI-Antwort, sichtbare Korrekturschleifen und schrittweise wachsende Verantwortung. Junge Mitarbeiter müssen Fehler machen dürfen, deren Folgen überschaubar bleiben, und anschließend verstehen, was daraus gelernt werden kann.
Auch Seniorität bekommt so eine zusätzliche Aufgabe. Erfahrung darf nicht nur das fertige Urteil liefern. Sie muss auch den Denkweg offenlegen. Das kostet zwar Zeit, könnte aber trotzdem eine der wertvollsten Investitionen einer Organisation sein.
Die fehlende erste Sprosse
Wir diskutieren intensiv darüber, welche Aufgaben KI übernehmen kann. Weniger Aufmerksamkeit erhält die Frage, welche davon Menschen zumindest zeitweise selbst durchlaufen müssen, um später die Ergebnisse der KI verantwortungsvoll beurteilen zu können.
Wer die unteren Sprossen einer beruflichen Entwicklung automatisiert, spart Zeit und Kosten. Er sollte allerdings wissen, wodurch er sie ersetzt.
Eine Organisation braucht mehr als gute KI-Antworten. Sie braucht Menschen, die erkennen, wann eine Antwort trotz aller sprachlichen Plausibilität falsch ist.