Wir feiern gerade Effizienz.
Eine KI verbucht in Sekunden, wofür ein Mensch früher Stunden gebraucht hat. Sie analysiert Verträge, recherchiert Rechtsprechung, formuliert Texte, fasst E-Mails zusammen und erstellt erste Entwürfe.
Vieles davon ist sinnvoll.
Aber wir übersehen dabei möglicherweise einen Preis.
Denn die Tätigkeiten, die wir gerade automatisieren, waren nicht nur Arbeit. Sie waren Training.
Wenn KI die Leiter wegzieht
Ein Buchhalter wurde nicht dadurch gut, dass er irgendwann fertige Buchhaltungen kontrollierte. Er wurde gut, weil er tausende Belege gesehen hat. Er musste entscheiden: Was ist das? Wie ist es steuerlich zu behandeln? Wo buche ich es? Warum funktioniert diese Buchung nicht? Wann muss ich nachfragen?
Dasselbe Prinzip gilt weit über die Buchhaltung hinaus. Expertise entsteht nicht plötzlich am Ende einer Karriere. Sie wächst durch viele kleine Entscheidungen, Fehler, Korrekturen und Rückmeldungen auf dem Weg dorthin.
Die klassische Forschung zu Expertise hat genau diese aktive, anstrengende Verbesserung betont. Ericsson, Krampe und Tesch-Römer beschrieben 1993 mit Deliberate Practice eine Form gezielter Übung, die auf Leistungsverbesserung ausgerichtet ist. Wichtig ist die Einschränkung: Spätere Forschung hat die Stärke mancher ursprünglichen Schlussfolgerungen relativiert. Übung ist zentral, aber nicht die einzige Erklärung für Expertise.
KI entfernt nun zunehmend genau jene Zwischenstufen, in denen solche Lernschleifen bisher ganz selbstverständlich entstanden.
Das ist aus Sicht der Produktivität hervorragend. Aus Sicht der menschlichen Entwicklung müssen wir genauer hinsehen.
Wenn wir die Leiter entfernen, über die Menschen bisher zur Expertise gelangt sind, müssen wir eine neue bauen.
Wer wird morgen noch Experte?
Heute sitzen in vielen Organisationen noch Menschen, die ihre Kompetenz in einer weitgehend analogen oder zumindest weniger automatisierten Arbeitswelt aufgebaut haben. Sie können Ergebnisse einer KI beurteilen, weil sie die zugrunde liegende Arbeit selbst gemacht haben.
Doch das ist ein Übergangszustand.
Was passiert mit einer Steuerberaterin, die nie selbst hunderte Belege und Fälle bearbeitet hat? Mit einem Rechtsanwalt, der kaum noch selbst recherchiert und argumentiert hat? Mit einer Führungskraft, deren Analysen bereits am Beginn ihrer Karriere von Agents vorbereitet wurden?
Sie können Outputs kontrollieren. Aber Kontrolle setzt ein inneres Modell davon voraus, wie ein gutes Ergebnis überhaupt aussieht.
Und genau hier entsteht ein Problem, das ich als Apprenticeship Gap bezeichnen würde:
Wir automatisieren die Tätigkeiten der Anfänger – brauchen später aber weiterhin die Erfahrung der Experten.
Das ist zunächst eine Arbeitshypothese, keine wissenschaftlich abgeschlossene Diagnose. Aber sie passt zu mehreren gut dokumentierten Forschungssträngen.
Cognitive Offloading: Denken auslagern ist nicht automatisch schlecht
Risko und Gilbert beschreiben Cognitive Offloading als die Verlagerung kognitiver Anforderungen auf externe Handlungen oder Hilfsmittel. Das ist grundsätzlich nichts Neues und auch nichts Schlechtes. Menschen nutzen seit Jahrhunderten Notizen, Bücher, Taschenrechner und andere Werkzeuge, um ihre begrenzte kognitive Kapazität sinnvoll einzusetzen.
Die entscheidende Frage lautet deshalb nicht: Dürfen wir Denken auslagern?
Sondern: Welches Denken sollten wir auslagern – und welches müssen wir weiterhin selbst trainieren?
Mit generativer KI wird diese Frage relevanter, weil wir nicht mehr nur Speicher oder Rechenoperationen auslagern. Wir können Argumentation, Recherche, Strukturierung, Formulierung und Teile der Bewertung delegieren.
KI verändert bereits kritisches Denken
Eine CHI-Studie von Lee und Kolleg:innen aus 2025 untersuchte 319 Wissensarbeiter:innen und 936 konkrete Beispiele für GenAI-Nutzung. Die Ergebnisse beruhen auf Selbstauskünften und beweisen daher keinen langfristigen Kompetenzverlust. Sie liefern aber einen interessanten Hinweis: Höheres Vertrauen in GenAI war mit weniger berichteter kritischer Denkarbeit verbunden. Gleichzeitig verschob sich kritisches Denken stärker in Richtung Überprüfung, Integration und Steuerung von KI-Ergebnissen.
Das ist ein wichtiger Unterschied.
KI muss kritisches Denken nicht einfach zerstören. Sie verändert, wo kritisches Denken stattfindet.
Das kann ein Fortschritt sein – sofern Menschen über genügend Grundlagenwissen und Urteilskraft verfügen, um diese neue Rolle tatsächlich auszufüllen.
Automation Bias: Kontrolle ist schwieriger, als sie klingt
Auch die Forschung zu Automatisierung mahnt zur Vorsicht. Parasuraman und Manzey zeigten in ihrer Übersicht, dass Menschen automatisierten Entscheidungshilfen unter bestimmten Bedingungen zu stark vertrauen können. Automation Bias kann sowohl zu übersehenen Fehlern als auch zu falschen Handlungen führen – und betrifft nicht ausschließlich Anfänger:innen.
Damit wird die populäre Antwort „Der Mensch kontrolliert einfach die KI“ zu kurz.
Kontrolle ist selbst eine Kompetenz.
Und sie braucht Aufmerksamkeit, Fachwissen, Erfahrung und die Bereitschaft, einem plausibel klingenden System zu widersprechen.
Effizienz hat einen Preis
Das bedeutet ausdrücklich nicht, dass wir ineffiziente Arbeit künstlich erhalten sollten.
Niemand sollte acht Stunden Belege eintippen, nur weil frühere Generationen auf diese Weise Buchhaltung gelernt haben. Das wäre Nostalgie, keine Bildungsstrategie.
Aber genauso naiv wäre es, jeden Prozess ausschließlich nach Effizienz zu beurteilen.
Unternehmen müssen künftig zwei unterschiedliche Fragen stellen:
Wie erledigen wir diese Arbeit möglichst effizient?
Wie entwickeln wir Menschen, die diese Arbeit irgendwann kompetent beurteilen und verantworten können?
Diese beiden Ziele sind nicht identisch. Manchmal stehen sie sogar miteinander in Konflikt.
Eine Tätigkeit kann wirtschaftlich ineffizient geworden sein und gleichzeitig einen hohen Lernwert besitzen.
Genau diesen Unterschied müssen wir künftig bewusster messen.
Automatisiere die Arbeit. Nicht deine Entwicklung.
Hier verschiebt sich Verantwortung.
Nicht nur auf Schulen, Universitäten und Unternehmen. Auch auf jeden Einzelnen.
Wenn mein Beruf mir bestimmte Lerngelegenheiten nicht mehr automatisch bietet, muss ich sie möglicherweise selbst schaffen.
Ich muss mir ein persönliches Curriculum bauen: Welche Fähigkeiten brauche ich, um in meinem Gebiet tatsächlich urteilsfähig zu bleiben? Welche Grundlagen muss ich verstehen? Welche Aufgaben sollte ich trotz KI gelegentlich selbst durchführen? Wo brauche ich Simulation? Welche Fälle muss ich durchspielen? Welche Fehler muss ich machen dürfen?
Die entscheidende Frage lautet künftig vielleicht weniger:
Was muss ich wissen, um die nächste Prüfung zu bestehen?
Sondern:
Welche Erfahrungen brauche ich, um in zehn Jahren noch kompetent entscheiden zu können?
Das ist eine fundamental andere Perspektive auf Lernen.
Unternehmen brauchen wieder Curricula
Dasselbe gilt für Unternehmer:innen und Führungskräfte.
Wer KI lediglich als Werkzeug zur Personalkosten- und Prozessoptimierung betrachtet, denkt zu kurz.
Bei jeder Automatisierung sollte neben dem Business Case eine zweite Frage stehen:
Welche Erfahrung verliert mein Team dadurch?
Wenn eine Junior-Mitarbeiterin früher hundert Fälle selbst bearbeitet hat und heute hundert KI-Ergebnisse kontrolliert, dürfen wir nicht einfach voraussetzen, dass daraus dieselbe Kompetenz entsteht.
Vielleicht entsteht sie schneller. Vielleicht entsteht eine andere, wertvollere Kompetenz. Vielleicht entsteht aber auch eine gefährliche Lücke.
Das müssen wir testen.
Unternehmen werden deshalb neben ihren Produktionssystemen zunehmend Lernsysteme brauchen: Simulationen, Case Studies, Deliberate Practice, Games, Challenges, Entscheidungssituationen und schnelle Feedbackschleifen.
Was früher zufällig während der Arbeit gelernt wurde, muss künftig möglicherweise absichtlich trainiert werden.
Warum Games plötzlich ernst werden
Hier bekommen Wargames, Simulationen und künstliche Lernumgebungen eine neue Bedeutung.
Ein Wargame ist nicht interessant, weil Lernen dadurch „spielerischer“ wird. Sein eigentlicher Wert liegt darin, dass es Erfahrung komprimieren kann.
Menschen bekommen Situationen, in denen sie entscheiden müssen. Sie sehen Konsequenzen. Sie können scheitern. Sie können wiederholen. Sie können ihre Annahmen testen.
Genau dieses Prinzip lässt sich weit über militärische Ausbildung hinaus übertragen: komplexe Steuerfälle, juristische Argumentationen, Führungskrisen, strategische Unternehmensentscheidungen oder Verhandlungen.
KI könnte damit paradoxerweise gleichzeitig Teil des Problems und Teil der Lösung werden.
Sie nimmt reale Lerngelegenheiten weg – und ermöglicht uns gleichzeitig, künstliche Lernwelten zu bauen, die dichter, schneller und systematischer sein können als die alte Ausbildung.
Meisterschaft wird zur bewussten Entscheidung
Und hier liegt für mich der größere Punkt.
Meisterschaft war nie bequem. Sie bedeutete Wiederholung, Frustration, Fehler, Konzentration und Auseinandersetzung.
Heute können wir einen immer größeren Teil dieser Reibung entfernen.
Die entscheidende Frage lautet nicht, ob wir es können. Sondern ob wir es in jedem Fall sollten.
Vielleicht wird Meisterschaft in einer Welt nahezu unbegrenzter technischer Unterstützung stärker zur persönlichen Entscheidung als je zuvor.
Denn niemand zwingt uns mehr dazu, bestimmte Dinge wirklich zu lernen. Die Antwort ist verfügbar. Der Agent erledigt die Aufgabe. Die Zusammenfassung ersetzt den Text. Der Vorschlag ersetzt den ersten eigenen Gedanken.
Damit verändert sich Verantwortung.
Wer Meisterschaft will, muss sich künftig möglicherweise freiwillig jener Reibung aussetzen, die Technologie ihm eigentlich abnehmen könnte.
Nicht aus Technikfeindlichkeit.
Sondern weil manche Schwierigkeiten keine Verschwendung sind.
Sie sind Training.
Die Verantwortung bleibt
KI kann recherchieren. KI kann rechnen. KI kann schreiben. KI kann analysieren.
Doch jemand muss weiterhin entscheiden: Was wollen wir erreichen? Was ist ein gutes Ergebnis? Welche Risiken akzeptieren wir? Welche Werte sollen gelten? Wann ist ein Ergebnis falsch, obwohl es überzeugend klingt?
Und schließlich: Wer übernimmt dafür die Verantwortung?
Verantwortung setzt Urteilskraft voraus. Urteilskraft setzt Kompetenz voraus. Kompetenz braucht Erfahrung.
Deshalb könnte eine der wichtigsten Aufgaben der kommenden Jahre darin bestehen, eine neue Form der Ausbildung zu entwickeln: nicht Ausbildung ohne KI, sondern Ausbildung mit KI, gegen Kompetenzverlust durch KI.
Unsere derzeitige Hypothese bei EARN IT. lautet deshalb:
Nutze KI, um unnötige Arbeit zu beseitigen. Aber beseitige niemals unbewusst jene Arbeit, die dich zu jemandem macht, der Verantwortung tragen kann.
Learn. Apply. Prove It.
Nicht weil Informationen knapp wären.
Sondern weil echte Erfahrung es zunehmend sein könnte.
Literatur und Quellen
Ericsson, K. A., Krampe, R. T. & Tesch-Römer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Performance. Psychological Review, 100(3), 363–406. DOI: 10.1037/0033-295X.100.3.363.
Macnamara, B. N. & Maitra, M. (2019). The role of deliberate practice in expert performance: revisiting Ericsson, Krampe & Tesch-Römer (1993). Royal Society Open Science, 6, 190327. DOI: 10.1098/rsos.190327.
Risko, E. F. & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002.
Parasuraman, R. & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381–410. DOI: 10.1177/0018720810376055.
Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI 2025, Article 1121. DOI: 10.1145/3706598.3713778.