Wer lernt noch, der Maschine zu widersprechen?

1. Die Stelle bleibt, die Aufgabe geht

Vierzig Prozent der deutschen Unternehmen wollen Tätigkeiten, die bislang Berufseinsteiger erledigt haben, in den kommenden drei Jahren an KI-Systeme übergeben. Vierzehn Prozent tun es bereits. Im selben Datensatz erwarten fünfundsechzig Prozent, dass die Zahl ihrer Einstiegsstellen konstant bleibt; neunzehn Prozent rechnen mit einem Rückgang, sechzehn Prozent mit einem Anstieg [1] [2].

Diese Zahlen widersprechen sich nicht. Sie beschreiben einen Vorgang, für den die öffentliche Debatte bislang kein Vokabular hat. Diskutiert wird, ob KI Arbeitsplätze vernichtet. Die deutschen Erhebungsdaten deuten auf etwas anderes hin: Die Stelle bleibt bestehen, ihr Inhalt wird ausgetauscht. Das klingt nach der harmloseren Variante. Sie ist es vermutlich nicht. Denn die Tätigkeiten, die zuerst abwandern, sind nicht beliebig. Es sind die einfachen, wiederholbaren, überprüfbaren Arbeitsschritte. Recherchen zusammenfassen, Daten aufbereiten, Standardverträge durchsehen, erste Entwürfe schreiben. Diese Arbeitsschritte hatten in jeder Profession immer zwei Funktionen. Sie erzeugten Output. Und sie erzeugten Fachleute.

Die zweite Funktion steht in keiner Stellenbeschreibung. Sie taucht in keiner Produktivitätsrechnung auf. Sie fällt deshalb auch nicht auf, wenn sie wegfällt. Der vorliegende Beitrag prüft, ob sich diese Sorge belegen lässt oder ob sie zu den vielen kulturkritischen Vermutungen gehört, die derzeit über generative KI im Umlauf sind. Er tut das in drei Schritten: Zuerst wird geprüft, was die Beschäftigungsdaten tatsächlich zeigen. Dann wird die Frage vom Arbeitsmarkt auf den Kompetenzerwerb verschoben, weil dort die belastbareren Befunde liegen. Zuletzt wird gezeigt, dass daraus ein regulatorisches Problem folgt, das dem europäischen Gesetzgeber bereits bekannt ist – auch wenn er gerade in die entgegengesetzte Richtung gehandelt hat.

2. Die Beschäftigungsdaten tragen die Verdrängungsthese nicht

Wer behauptet, KI verdränge Berufseinsteiger vom Arbeitsmarkt, argumentiert derzeit gegen die Datenlage. Die meistzitierte Untersuchung stammt vom Stanford Digital Economy Lab. Brynjolfsson, Chandar und Chen werteten hochfrequente Gehaltsabrechnungsdaten des Dienstleisters ADP aus und fanden für Beschäftigte zwischen zweiundzwanzig und fünfundzwanzig Jahren in KI-exponierten Berufen einen relativen Beschäftigungsrückgang von sechzehn Prozent, während die Beschäftigung erfahrener Arbeitskräfte stabil blieb. Die Anpassung erfolgte über die Beschäftigtenzahl, nicht über die Vergütung. Der Effekt konzentrierte sich auf Berufe, in denen KI Tätigkeiten automatisiert statt sie zu ergänzen [3].

Das ist ein starker Befund. Er ist allerdings weniger stabil, als seine Verbreitung vermuten lässt. Die Autoren haben ihre Analyse mehrfach überarbeitet. In einer Aktualisierung vom Februar 2026 halten sie fest, dass der Rückgang bei Verwendung des breitesten Kontrollsatzes erst ab 2024 statistisch signifikant wird; frühere Rückgänge sind vermutlich durch andere Einflüsse überlagert [4]. Eine Analyse der Economic Innovation Group weist zudem darauf hin, dass sich ein erheblicher Teil des Musters durch das Zinsniveau erklären lässt: Steigende Zinsen treffen zuerst die kapitalintensiven, wachstumsfinanzierten Bereiche — also genau jene Unternehmen, die junge Software- und Marketingkräfte einstellen [5]. Die europäische Evidenz stützt die Verdrängungsthese ebenfalls nicht. Humlum und Vestergaard verknüpften zwei Erhebungswellen unter rund fünfundzwanzigtausend dänischen Beschäftigten in elf exponierten Berufen mit administrativen Registerdaten. Ihre Differenzenschätzung ergibt präzise Nullbefunde: keine messbaren Effekte auf Verdienste oder erfasste Arbeitsstunden, mit Konfidenzintervallen, die Effekte oberhalb von etwa einem Prozent ausschließen [6].

Für Deutschland liegt die Sache ähnlich, bei genauerem Hinsehen jedoch unruhiger. Die Arbeitslosenquote von Akademikerinnen und Akademikern stieg nach Angaben der Statistik der Bundesagentur für Arbeit von 2,9 Prozent im Jahr 2024 auf 3,3 Prozent im Jahr 2025. Damit überschritt sie erstmals seit 2007 wieder die Marke von drei Prozent [7]. Das ist eine Bewegung, keine Zäsur. Sie fällt zudem in eine Phase, in der die deutsche Wirtschaft mehrere Jahre ohne nennenswertes Wachstum hinter sich hatte. Wer diesen Anstieg der KI zuschreibt, muss erklären, warum er sich gerade dort am stärksten zeigt, wo generative Modelle bislang am wenigsten eingesetzt werden: In den Naturwissenschaften liegt die berufsspezifische Quote bei 9,6 Prozent, in den Geistes- und Gesellschaftswissenschaften bei 6,5 Prozent [7]. Damit ist der Befund für den ersten Teil der Frage eindeutig.

Eine KI-getriebene Verdrängung von Berufseinsteigern lässt sich für Deutschland nicht belegen. Wer sie behauptet, verwechselt eine Konjunkturlage mit einem Technologieeffekt.

3. Warum vierzig Prozent die wichtigere Zahl ist als neunzehn Prozent

Die entscheidende Information der deutschen Unternehmensbefragung steht nicht in der Stellenprognose, sondern in der Aufgabenprognose. Die Randstad-ifo-HR-Befragung wird quartalsweise vom ifo Institut im Auftrag eines Personaldienstleisters unter fünfhundert bis tausend Personalverantwortlichen durchgeführt; die Auftraggeberschaft ist bei der Einordnung mitzudenken. Im vierten Quartal 2025 lag der Schwerpunkt auf Berufseinsteigern. Das Ergebnis zur Stellenzahl ist unauffällig und entspricht dem Bild der drei Vorjahre: 65 Prozent erwarten Konstanz, 16 Prozent einen Anstieg, 19 Prozent einen Rückgang [1].

Interessant wird die Erhebung dort, wo sie nach Aufgaben statt nach Stellen fragt. Vierzig Prozent der Unternehmen geben an, dass Tätigkeiten, die üblicherweise von Berufseinsteigern ausgeführt werden, in den kommenden Jahren von KI übernommen werden sollen. In vierzehn Prozent der Unternehmen ist das bereits der Fall, in großen Unternehmen häufiger als in kleinen [1] [2]. Ein Unternehmen kann also gleichzeitig ankündigen, die Zahl seiner Einstiegsstellen nicht zu verändern und den Inhalt dieser Stellen erheblich umzubauen. Beides zusammen ergibt kein Verdrängungsszenario, sondern ein Substitutionsszenario innerhalb der Stelle.

Aufschlussreich sind auch die Begründungen jener Betriebe, die tatsächlich mit weniger Einstiegsstellen rechnen. Gut die Hälfte nennt einen generell geringeren Personalbedarf, 38 Prozent Automatisierung und Digitalisierung. Danach folgen drei Angaben, die in der Berichterstattung meist untergehen: 33 Prozent geben an, dass die ausgeschriebenen Aufgabenprofile zunehmend über dem Einstiegsniveau liegen, 25 Prozent wollen stärker auf Berufserfahrene setzen, 15 Prozent berichten von fehlenden Ressourcen für die Einarbeitung [1].

Diese drei Angaben beschreiben denselben Mechanismus aus drei Blickwinkeln. Wenn die einfachen Teilaufgaben automatisiert sind, besteht die verbleibende Stelle aus den schwierigen. Damit steigt das Anforderungsprofil über das Einstiegsniveau. Wer diese Stelle besetzen will, braucht Erfahrung. Erfahrung entsteht jedoch bislang genau dort, wo nun die Maschine arbeitet.

Bemerkenswert ist schließlich, was Unternehmen bei Berufseinsteigern suchen. An erster Stelle stehen Kommunikations- und Teamfähigkeit mit 66 Prozent, gefolgt von Selbstorganisation und Verantwortungsbewusstsein mit 61 Prozent [1]. Das sind Eigenschaften, keine Fertigkeiten. Sie lassen sich im Einstellungsgespräch behaupten. Fachliches Urteilsvermögen dagegen ist eine Fertigkeit — und sie steht in dieser Rangliste nicht oben, weil Unternehmen offenbar davon ausgehen, sie im Betrieb zu erzeugen. Ob diese Annahme noch trägt, ist die eigentliche Frage.

4. Der Befund aus dem Operationssaal

Der Mechanismus, um den es hier geht, ist seit über vierzig Jahren beschrieben. Er wurde nur nie auf Wissensarbeit angewendet. Die Psychologin Lisanne Bainbridge veröffentlichte 1983 in der Zeitschrift Automatica einen Aufsatz über industrielle Prozesssteuerung, der bis heute zu den meistzitierten Arbeiten seines Feldes gehört. Ihr Argument ist schlicht. Automatisierung übernimmt die einfachen, regelmäßig anfallenden Teile einer Tätigkeit. Übrig bleibt für den Menschen die Überwachung sowie der Eingriff in seltenen Ausnahmefällen. Fertigkeiten verfallen jedoch, wenn sie nicht regelmäßig ausgeübt werden. Der erfahrene Operateur, der jahrelang nur überwacht hat, ist bei seinem nächsten Eingriff kein erfahrener Operateur mehr. Bainbridges Schlussfolgerung war gegen die Intuition ihrer Zeit gerichtet: Wer stärker automatisiert, braucht nicht weniger Ausbildung, sondern mehr [8].

Der bislang genaueste Feldbefund zu dieser Ironie stammt von Matthew Beane. Er begleitete über zwei Jahre hinweg chirurgische Ausbildung an mehreren Kliniken und verglich robotergestützte mit offener Chirurgie. In der offenen Chirurgie funktionierte der klassische Weg: Assistenzärzte übernahmen zunehmend Anteile am Eingriff, bis sie ihn beherrschten. In der robotergestützten Chirurgie brach dieser Weg zusammen. Die Konsole wird von einer Person bedient. Der Assistenzarzt sitzt daneben. Beane beziffert den Rückgang der praktischen Beteiligung auf das Zehn- bis Zwanzigfache. Wer trotzdem Kompetenz aufbaute, tat dies über Praktiken, die Beane „shadow learning“ nennt: Umwege, die gegen Ausbildungsordnungen, Klinikregeln oder informelle Normen verstießen [9].

Der organisatorisch interessante Teil dieses Befundes ist nicht der Kompetenzverlust. Es ist seine Unsichtbarkeit. Die Rotationen wurden absolviert. Die Stunden wurden gezählt. Die Zertifikate wurden erteilt. Das formale Ausbildungssystem meldete keinen Fehler, während die Sache, die es messen sollte, unter ihm wegbrach.

Die Übertragung auf kaufmännische und juristische Arbeit ist eine Analogie, keine Replikation. Das ist offen zu benennen. Chirurgische Fertigkeit ist motorisch, in Wiederholungen zählbar, im Ergebnis unmittelbar sichtbar. Fachliches Urteilsvermögen in einer Bank oder einer Kanzlei ist keines von beidem. Es zeigt sich verzögert, oft erst im Fehlerfall. Zudem lässt es sich schwerer von Persönlichkeit, Vorbildung und Glück trennen. Wer den chirurgischen Befund unbesehen überträgt, überdehnt ihn.

Was die Analogie trotzdem trägt, ist die Struktur des Problems: Eine Technologie verdrängt nicht die Stelle, sondern die Beteiligung an der Aufgabe. Der Ausbildungspfad läuft formal weiter. Der Ausfall wird erst eine Berufsgeneration später sichtbar. Ein Befund macht die Lage zusätzlich unbequem. Humlum und Vestergaard zeigen für Dänemark, dass gerade jüngere und weniger erfahrene Beschäftigte generative Systeme am schnellsten übernommen haben [10]. Berufseinsteiger sind in dieser Entwicklung keine passiven Opfer. Sie sind die intensivsten Nutzer. Wer am dringendsten Übung bräuchte, lagert am bereitwilligsten aus.

5. Was passiert, wenn einem das Werkzeug weggenommen wird

Es existiert ein sauberes Experiment zu der Frage, ob Arbeiten mit KI und Lernen mit KI dasselbe sind. Sie sind es nicht. Bastani et al. führten mit fast eintausend Schülerinnen und Schülern einer türkischen Oberschule ein Feldexperiment durch, dessen Ergebnisse 2025 in den Proceedings of the National Academy of Sciences erschienen. Drei Gruppen bearbeiteten Mathematikaufgaben: eine mit einer gewöhnlichen Chatschnittstelle auf Basis von GPT-4, eine mit derselben Technik, aber mit Vorgaben, die statt Lösungen nur lehrergestützte Hinweise ausgaben, eine ohne jede KI. Anschließend schrieben alle drei Gruppen eine Prüfung ohne Hilfsmittel.

Während der Übungsphase war der Effekt eindrucksvoll. Die Gruppe mit der gewöhnlichen Schnittstelle verbesserte sich um achtundvierzig Prozent, die Gruppe mit der abgesicherten Variante um einhundertsiebenundzwanzig Prozent. In der Prüfung ohne Hilfsmittel kehrte sich das Bild um: Die Gruppe mit der gewöhnlichen Schnittstelle schnitt um siebzehn Prozent schlechter ab als die Gruppe, die nie Zugang gehabt hatte. Bei der abgesicherten Variante trat dieser Effekt weitgehend nicht auf [11].

Zwei Dinge folgen daraus. Erstens: Leistung unter Werkzeugeinsatz und Kompetenz ohne Werkzeug sind verschiedene Größen, die sich auseinanderentwickeln können. Zweitens: Der Schaden liegt nicht in der Technik, sondern in ihrer Ausgestaltung. Dasselbe Modell richtete Schaden an oder half beim Lernen, je nachdem, ob es Lösungen auslieferte oder Hinweise gab. Auch dieser Befund hat Grenzen. Er stammt aus einem Schulkontext mit klar definierten Aufgaben und einer messbaren Prüfung. Berufliches Lernen ist unstrukturierter. Die Übertragung ist plausibel, aber nicht belegt.

Aus der Arbeitswelt selbst liegt bislang vor allem Befragungsevidenz vor. Lee und Kollegen befragten dreihundertneunzehn Wissensarbeiter zu neunhundertsechsunddreißig konkreten Anwendungsfällen. Zwei Zusammenhänge sind für unsere Frage einschlägig.

Je höher das Vertrauen in das System, desto weniger eigene Prüftätigkeit berichteten die Befragten. Je höher das Vertrauen in die eigene fachliche Urteilsfähigkeit, desto mehr Prüftätigkeit, allerdings verbunden mit höherem empfundenen Aufwand. Die Befragten beschrieben zudem eine Verschiebung ihrer Tätigkeit: vom Beschaffen zum Verifizieren, vom Lösen zum Integrieren, vom Bearbeiten zum Beaufsichtigen [12].

Diese Studie beruht auf Selbstauskunft und ist korrelativ. Sie belegt keine Kausalität. Sie beschreibt aber präzise das Muster, das die Ausbildungsfrage zuspitzt: Prüfen wird zur Kerntätigkeit und wer prüfen will, muss die Sache selbst können. Gegen die hier vertretene Linie steht eine ernstzunehmende Position. Sie lautet, generative Systeme hälfen gerade den fachlich schwächeren Beschäftigten am meisten und glichen Leistungsunterschiede aus. Wenn das zutrifft, ist die Einstiegsstufe nicht bedroht, sondern nur kürzer. Das Argument hat Gewicht. Es löst das Problem allerdings nicht auf, sondern beschreibt es aus der Gegenrichtung. Denn genau dieses Muster zeigt das Experiment von Bastani: starke Leistung mit Werkzeug, schwache Leistung ohne. Ein Ausgleich von Leistungsunterschieden unter Werkzeugeinsatz sagt nichts darüber, ob die ausgeglichene Leistung auch trägt, wenn das Werkzeug irrt.

6. Die Aufsichtspflicht setzt voraus, was gerade ausgedünnt wird

Der europäische Gesetzgeber hat das Problem erkannt, benannt und die Lösung dem Menschen zugewiesen. An der Erzeugung dieses Menschen arbeitet er zugleich weniger verbindlich als noch vor einem Jahr. Artikel 14 der KI-Verordnung verlangt für Hochrisiko-KI-Systeme wirksame menschliche Aufsicht. Absatz 4 Buchstabe b nennt ausdrücklich das Problem, um das es geht: Die aufsichtsführrende Person muss in der Lage sein, sich einer möglichen Neigung zu automatischem oder übermäßigem Vertrauen in die Ausgabe des Systems bewusst zu bleiben. Die Verordnung nennt diese Neigung beim Namen, sie spricht vom „Automatisierungsbias“ [13]. Buchstabe d verlangt zusätzlich, die Ausgabe im Einzelfall außer Acht lassen, außer Kraft setzen oder rückgängig machen zu können.

Diese Anforderung ist für Kreditinstitute keine abstrakte Größe. Anhang III Nummer 5 Buchstabe b der KI-Verordnung erfasst KI-Systeme, die für die Kreditwürdigkeitsprüfung und Bonitätsbewertung natürlicher Personen bestimmt sind; ausgenommen sind lediglich Systeme zur Aufdeckung von Finanzbetrug [14]. Die BaFin hat angekündigt, ab dem 2. Dezember 2027 zu überwachen, ob Unternehmen die Anforderungen an Hochrisiko-KI-Systeme einhalten [15].

Damit ist die Erwartung des Gesetzgebers eindeutig formuliert. Am Ende der automatisierten Kette steht ein Mensch, der die Ausgabe fachlich einordnen, ihr widersprechen und sie überstimmen kann. Diese Fähigkeit ist keine Frage der Haltung. Sie ist Fachkompetenz.

Wer eine Bonitätsbewertung überstimmen soll, muss beurteilen können, wie eine Bonitätsbewertung zustande kommt und das lernt man, indem man sie eine Zeit lang selbst erstellt hat. Genau an dieser Stelle wird die jüngste Rechtsentwicklung interessant. Artikel 4 der KI-Verordnung verpflichtete Anbieter und Betreiber seit dem 2. Februar 2025 dazu, ein ausreichendes Maß an KI-Kompetenz ihres Personals sicherzustellen. Das war eine Ergebnispflicht [16].

Mit der Digital-Omnibus-Verordnung zur KI, die am 27. Juli 2026 in Kraft getreten ist, wurde diese Vorschrift neu gefasst. Anbieter und Betreiber müssen weiterhin Maßnahmen ergreifen, um die Entwicklung der KI-Kompetenz ihrer Beschäftigten zu unterstützen. Sie müssen jedoch nicht mehr dafür einstehen, dass ein bestimmtes Kompetenzniveau tatsächlich erreicht wird [17] [18]. Aus einer Ergebnispflicht wurde eine Bemühenspflicht.

Dieselbe Verordnung verschiebt den Geltungsbeginn der Pflichten für eigenständige Hochrisiko-Systeme nach Anhang III um sechzehn Monate auf den 2. Dezember 2027 [17]. Die Begründung dafür ist nachvollziehbar. Harmonisierte Normen lagen nicht rechtzeitig vor, ein erheblicher Teil der Mitgliedstaaten hatte die nötigen Aufsichtsstrukturen nicht aufgebaut. Wer Pflichten in Kraft setzt, die niemand prüfen kann, gewinnt nichts. Als Befund bleibt dennoch eine Gleichzeitigkeit stehen, die man zur Kenntnis nehmen sollte: Die Verordnung setzt beim Betrieb von Hochrisiko-Systemen einen urteilsfähigen Menschen voraus. Die Verpflichtung, diesen Menschen hervorzubringen, wurde im selben Rechtsakt abgeschwächt, mit dem die Anwendungsfristen gestreckt wurden. Und der betriebliche Weg, auf dem Urteilsfähigkeit bislang entstand, wird parallel dazu umgebaut, wie die eingangs zitierten vierzig Prozent zeigen. Drei Entwicklungen, die einzeln jeweils gut begründbar sind, laufen hier in dieselbe Richtung.

7. Woran sich zeigen wird, ob Organisationen das Problem verstanden haben

Wer aus dem bisherigen Befund ein Verbot generativer Systeme ableitet, hat ihn nicht verstanden. Die Frage ist nicht, ob diese Werkzeuge eingesetzt werden. Sie ist, wie sie eingestellt sind und wer die Einstellung verantwortet. Das Experiment von Bastani et al. ist an dieser Stelle unterschätzt worden. Sein bemerkenswertes Ergebnis ist nicht der Leistungseinbruch. Es ist, dass derselbe technische Unterbau je nach Konfiguration zu entgegengesetzten Lernergebnissen führte. Die Variante, die Lösungen auslieferte, schadete. Die Variante, die Hinweise gab, half. Diese Unterscheidung ist keine Frage der Modellgüte. Sie ist eine Konfigurationsentscheidung und sie wird in Unternehmen derzeit von Einkaufsabteilungen, IT-Bereichen und Anbietern getroffen, ohne dass jemand die Lernfrage stellt. Wer ein System für Berufseinsteiger beschafft, entscheidet mit der Voreinstellung darüber, ob diese Berufseinsteiger in fünf Jahren fachlich urteilen können. Bislang taucht dieser Aspekt in kaum einem Anforderungskatalog auf.

Der zweite Punkt betrifft die Einarbeitung. Fünfzehn Prozent der deutschen Betriebe, die mit weniger Einstiegsstellen rechnen, nennen fehlende Ressourcen für die Einarbeitung als Grund [1]. Das ist der ehrlichste Wert der gesamten Erhebung. Einarbeitung war jahrzehntelang ein Nebenprodukt: Man gab dem Neuen die einfachen Aufgaben, er lernte daran, das Unternehmen bekam die Aufgaben zugleich erledigt. Dieses Geschäftsmodell der Ausbildung endet, wenn die einfachen Aufgaben automatisiert sind. Ausbildung wird dann zu einem Kostenblock ohne unmittelbaren Gegenwert, sie muss absichtlich hergestellt und bezahlt werden. Unternehmen, die das nicht einplanen, scheitern nicht sofort. Der Ausfall tritt verzögert ein, nämlich dann, wenn die Schicht fehlt, aus der Fachverantwortliche rekrutiert werden.

Der dritte Punkt ist ein Messproblem. Er ist zugleich der unbequemste. Beanes Befund aus der Chirurgie war nicht, dass Kompetenz verschwand, sondern dass das Ausbildungssystem dies nicht bemerkte. Betriebliche Personalentwicklung erhebt im Wesentlichen dieselbe Art von Größen wie die dortige Ausbildungsdokumentation: absolvierte Schulungen, bearbeitete Vorgänge, Zielerreichung. Alle diese Größen werden unter Werkzeugeinsatz erhoben. Sie können daher grundsätzlich nicht zwischen einer kompetenten Fachkraft und einer geübten Bedienerin eines kompetenten Systems unterscheiden. Wer wissen will, ob Urteilsvermögen entsteht, muss es ohne Werkzeug prüfen. In der Luftfahrt ist das seit Jahrzehnten Standard: Wiederkehrende Überprüfungen im Simulator existieren genau deshalb, weil der Alltag im automatisierten Betrieb keine Aussage über die Fähigkeit zum manuellen Eingriff erlaubt. Für Wissensarbeit gibt es kein Äquivalent. Es müsste entwickelt werden.

Damit verbunden ist eine Anforderung, die aus der Regulierung selbst folgt. Wenn Artikel 14 der KI-Verordnung verlangt, dass eine Person die Ausgabe eines Hochrisiko-Systems außer Kraft setzen kann, dann ist Aufsichtsfähigkeit ein eigenständiges Qualifikationsziel und keine Nebenwirkung der Berufserfahrung [13]. Ein Unternehmen, das diese Fähigkeit nicht gezielt aufbaut, erfüllt die Vorschrift auf dem Papier und nicht in der Sache. Schließlich eine Warnung, die sich unmittelbar aus dem chirurgischen Befund ergibt. Als das offizielle Ausbildungssystem versagte, verschwand der Kompetenzerwerb nicht. Er wanderte in normwidrige Praktiken ab [9]. Organisationen, die auf das hier beschriebene Problem mit Nutzungsverboten reagieren, sollten mit demselben Muster rechnen. Verbote erzeugen keine Kompetenz. Sie erzeugen Umgehung — und zwar ohne Anleitung, ohne Aufsicht, ohne Dokumentation.

An dieser Stelle ist eine Wissenslücke zu benennen, die der Beitrag nicht schließen kann. Es gibt derzeit keine belastbare Evidenz dazu, wie viel unassistierte Übung nötig ist, um berufliches Urteilsvermögen aufzubauen. Ebenso wenig ist bekannt, ab welchem Punkt Auslagerung unschädlich wird. Ohne diese Größe bleibt jede Empfehlung zur Dosierung eine begründete Vermutung. Das ist der wichtigste offene Forschungsbedarf in diesem Feld.

8. Persönliche Meinung und Ausblick

Bis hierhin habe ich Befunde referiert. Die folgende Einschätzung ist meine eigene und als solche zu lesen. Ich halte den Einsatz generativer Systeme für unausweichlich. Die Diskussion darüber, ob Unternehmen sie einsetzen sollten, ist beendet. Besonders ergiebig war sie ohnehin nie. Was mich beschäftigt, ist eine andere Frage: ob wir dabei die Fähigkeit verlieren, Ergebnisse zu hinterfragen.

Meine Sorge richtet sich nicht auf Arbeitsplätze. Die Datenlage gibt eine Verdrängung nicht her. Die entsprechenden Schlagzeilen halte ich für vorschnell. Sie richtet sich auf etwas Unauffälligeres. Prüfen ist anstrengend. Ein plausibel formuliertes, gut strukturiertes, fachlich falsches Ergebnis zu erkennen kostet mehr Aufwand als das Ergebnis zu übernehmen. Menschen sparen Aufwand, wenn nichts sie daran hindert. Der Befund von Lee und Kollegen, wonach höheres Vertrauen in das System mit weniger eigener Prüftätigkeit einhergeht, beschreibt kein Charakterproblem [12]. Er beschreibt eine ökonomisch vernünftige Reaktion auf eine Anreizlage.

Genau deshalb halte ich die Abschwächung von Artikel 4 der KI-Verordnung für einen Fehler. Ich verstehe die Begründung: Normen fehlten, Aufsichtsstrukturen fehlten, der Zeitplan war nicht zu halten. Nur trifft die Erleichterung ausgerechnet jene Pflicht, die keine Norm und keine Konformitätsbewertung benötigt hätte. Der Aufbau von Fachkompetenz ist der einzige Teil dieser Verordnung, den ein Unternehmen ohne Wartezeit hätte beginnen können. Aus einer Ergebnispflicht eine Bemühenspflicht zu machen, verschiebt die Verantwortung dorthin, wo sie ohnehin am leichtesten übersehen wird.

Was ich Unternehmen empfehle, ist unbequem, weil es kurzfristig Geld kostet.

Schützen Sie in den ersten Berufsjahren einen Anteil unassistierter Arbeit, nicht aus Nostalgie, sondern weil Sie später jemanden brauchen, der widersprechen kann. Prüfen Sie Kompetenz mindestens einmal ohne Werkzeug, bevor Sie Verantwortung übertragen. Behandeln Sie die Voreinstellung Ihrer Systeme als Ausbildungsentscheidung und nicht als Beschaffungsdetail. Diese drei Maßnahmen senken die gemessene Produktivität. Sie erhalten die Fähigkeit, die Ihre Aufsichtspflichten voraussetzen.

Aus der Lehre kenne ich das Muster in seiner frühen Form. Studierende liefern heute Arbeiten ab, die formal besser sind als vor drei Jahren. Im mündlichen Gespräch über dieselbe Arbeit zeigt sich häufiger als früher eine Lücke zwischen dem Text und dem, was die Person darüber sagen kann. Das ist eine Beobachtung, kein Befund und sie ist nicht erhoben, nicht kontrolliert und nicht verallgemeinerbar. Sie hat mich dennoch dazu gebracht, Prüfungsformate zu bevorzugen, in denen jemand seine eigene Arbeit verteidigen muss.

Der Umbau, um den es hier geht, verläuft ohne Krise. Es gibt keinen Stellenabbau, den man betrauern könnte, keinen Stichtag, an dem etwas kippt. Es gibt nur Organisationen, die in zehn Jahren feststellen, dass ihnen die Leute gnadenlos fehlen, denen sie zutrauen würden, einer Maschine zu widersprechen. Wer das für ein Problem der nächsten Generation hält, hat den Zeitversatz nicht verstanden. Die Entscheidungen, die darüber bestimmen, werden in diesem Jahr getroffen.

Quellenverzeichnis

[1] ifo Institut: Berufseinsteiger*innen im Fokus — Unternehmen setzen auf Soft Skills und KI. Randstad-ifo-HR-Umfrage, 4. Quartal 2025, veröffentlicht am 19.01.2026. https://www.ifo.de/fakten/2026-01-19/berufseinsteigerinnen-im-fokus-unternehmen-setzen-auf-soft-skills-und-ki

[2] Randstad Deutschland / ifo Institut: Randstad-ifo-HR-Befragung, Ergebnisse 4. Quartal 2025, Januar 2026. https://www.randstad.de/s3fs-media/de/public/2026-01/randstad-ifo-hr-befragung-q4-2025.pdf — Hinweis: Auftraggeber ist ein Personaldienstleister, Durchführung durch das ifo Institut.

[3] Brynjolfsson, Erik / Chandar, Bharat / Chen, Ruyu: Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, Working Paper, Fassung vom 13.11.2025. https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf

[4] Stanford Digital Economy Lab: Canaries Dashboard (mit Hinweis auf die Aktualisierung der Autoren vom Februar 2026). https://digitaleconomy.stanford.edu/project/indicators/canaries-dashboard/

[5] Iscenko, Zanna / Millet, Ben: Looking for the Ladder — Is AI Impacting Entry-Level Jobs? Economic Innovation Group, Januar 2026. https://eig.org/wp-content/uploads/2026/01/TAWP-Iscenko-Millet.pdf

[6] Humlum, Anders / Vestergaard, Emilie: Large Language Models, Small Labor Market Effects. Becker Friedman Institute, University of Chicago, Working Paper 2025-56. https://bfi.uchicago.edu/wp-content/uploads/2025/04/BFI_WP_2025-56-1.pdf

[7] Statistik der Bundesagentur für Arbeit: Online-Bericht Akademikerinnen und Akademiker, Allgemeiner Teil, Abschnitt 1.7 Arbeitslosigkeit, Stand Februar 2026. https://statistik.arbeitsagentur.de/DE/Statischer-Content/Statistiken/Themen-im-Fokus/Berufe/AkademikerInnen/Allgemeiner-Teil/1-7-Arbeitslosigkeit.html

[8] Bainbridge, Lisanne: Ironies of Automation. Automatica, 1983. https://www.sciencedirect.com/science/article/abs/pii/0005109883900468

[9] Beane, Matthew: Shadow Learning — Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly 64 (2019), Heft 1, S. 87–123. https://doi.org/10.1177/0001839217751692

[10] Humlum, Anders / Vestergaard, Emilie: The unequal adoption of ChatGPT exacerbates existing inequalities among workers. Proceedings of the National Academy of Sciences 122 (2025), Heft 1, e2414972121. https://doi.org/10.1073/pnas.2414972121

[11] Bastani, Hamsa / Bastani, Osbert / Sungu, Alp / Ge, Haosen / Kabakcı, Özge / Mariman, Rei: Generative AI without guardrails can harm learning — Evidence from high school mathematics. Proceedings of the National Academy of Sciences 122 (2025), Heft 26, e2422633122. https://doi.org/10.1073/pnas.2422633122

[12] Lee, Hao-Ping / Sarkar, Advait / Tankelevitch, Lev / Drosos, Ian / Rintel, Sean / Banks, Richard / Wilson, Nicholas: The Impact of Generative AI on Critical Thinking — Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI Conference on Human Factors in Computing Systems 2025. https://doi.org/10.1145/3706598.3713778

[13] Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 14 — Menschliche Aufsicht. https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-14

[14] Verordnung (EU) 2024/1689 (KI-Verordnung), Anhang III Nummer 5 Buchstabe b. https://artificialintelligenceact.eu/de/annex/3/

[15] Bundesanstalt für Finanzdienstleistungsaufsicht: KI-Marktüberwachung. https://www.bafin.de/DE/unternehmen-maerkte/aufsicht/alle-unternehmen/ki-marktueberwachung/ki-marktueberwachung_node.html

[16] Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 4 — KI-Kompetenz, anwendbar seit dem 02.02.2025. https://digital-strategy.ec.europa.eu/de/FAQs

[17] Verordnung (EU) 2026/1744 (Digital-Omnibus-Verordnung zur KI), angenommen am 08.07.2026, Amtsblatt vom 24.07.2026, in Kraft seit dem 27.07.2026. http://data.europa.eu/eli/reg/2026/1744/oj

[18] KI-Campus: EU AI Act — KI-Omnibus justiert Artikel 4 neu, KI-Kompetenz bleibt Pflicht. https://ki-campus.org/blog/eu-ai-act-ki-omnibus-justiert-artikel-4-neu-ki-kompetenz-bleibt-pflicht