TL;DR
Wenn erfahrene Wissensarbeiter Routineaufgaben an KI auslagern, kann das sehr sinnvoll sein. Sie haben die zugrunde liegenden Fähigkeiten meist bereits aufgebaut und können frei werdende Zeit für anspruchsvollere Aufgaben nutzen. Für Anfänger kann dieselbe Auslagerung jedoch problematisch sein, wenn genau die Tätigkeit übersprungen wird, durch die Fachwissen, Urteilskraft und ein Gefühl für gute und schlechte Ergebnisse erst entstehen.
Das erinnert an die Diskussionen, die wir schon bei Wikipedia, Suchmaschinen und Taschenrechnern geführt haben. Der Unterschied ist, dass generative KI nicht nur Informationen liefert, sondern inzwischen auch Zusammenfassungen, Vergleiche, Argumentationen und Empfehlungen produziert. Damit stellt sich für Unternehmen eine neue Frage: Welche Arbeit dürfen wir automatisieren, und welche Arbeit müssen Menschen zumindest zeitweise noch selbst machen, damit sie lernen, die automatisierte Arbeit später beurteilen zu können?
„Das macht doch heute die KI.“
Der Satz fällt inzwischen erstaunlich schnell. Warum noch selbst einen langen Bericht schreiben, wenn die KI ihn formulieren kann? Warum zehn Dokumente vergleichen, wenn ein Assistent daraus in Sekunden eine Tabelle erstellt? Warum eine Entscheidungsvorlage mühsam aufbauen, wenn ein Sprachmodell Argumente, Risiken und Empfehlungen bereits strukturiert liefern kann?
Aus Sicht eines erfahrenen Mitarbeiters ist das häufig vollkommen nachvollziehbar. Wer seit fünfzehn Jahren Entscheidungsvorlagen erstellt hat, muss nicht bei jeder neuen Aufgabe wieder beweisen, dass er Informationen sortieren, Argumente gewichten und einen vernünftigen Text formulieren kann. Wenn KI ihm diesen Teil der Arbeit abnimmt, kann das schlicht produktiv sein.
Interessanter wird es bei der Kollegin, die seit drei Monaten im Unternehmen ist. Sie bekommt dieselbe Aufgabe, dieselben Dokumente und dieselbe KI. Was ihr fehlt, ist nicht der Zugang zum Werkzeug, sondern die Erfahrung, die der erfahrene Kollege über Jahre bei genau diesen Aufgaben aufgebaut hat. Damit wird aus einer Effizienzfrage sehr schnell eine Lernfrage.
Wir hatten diese Diskussion schon einmal
Als Wikipedia populär wurde, gab es sehr ähnliche Diskussionen. Wenn Wissen überall verfügbar ist, müssen wir es dann überhaupt noch lernen? In Teilen hat sich die Antwort tatsächlich verändert. Niemand muss heute alle Jahreszahlen, Definitionen oder Fakten auswendig verfügbar haben, wenn sie innerhalb weniger Sekunden zuverlässig nachgeschlagen werden können.
Schon die Forschung zum sogenannten Google-Effekt zeigte, dass Menschen Informationen anders speichern, wenn sie wissen, dass sie später wieder darauf zugreifen können. Wir merken uns dann teilweise weniger den Inhalt und stärker, wo wir ihn wiederfinden. Trotzdem haben wir daraus nicht geschlossen, dass Lernen überflüssig geworden ist.
Ein Schüler darf Wikipedia benutzen und muss trotzdem verstehen, was ein belastbarer Beleg ist. Ein Student kann eine Suchmaschine verwenden und muss dennoch Zusammenhänge erkennen und Argumente einordnen können. Ein Mitarbeiter darf eine Datenbank durchsuchen und muss trotzdem wissen, welche Informationen für seine Entscheidung relevant sind.
Nachschlagen und Verstehen waren nie dasselbe.
Bei generativer KI verschiebt sich diese Grenze erneut, weil wir inzwischen nicht nur das Nachschlagen auslagern können. Die KI übernimmt auch Teile der Verarbeitung.
Wenn die KI nicht nur sucht, sondern schon vorstrukturiert
Nehmen wir eine typische Aufgabe aus der Wissensarbeit. Ein Mitarbeiter soll zu einer neuen Software, einem Lieferanten oder einer geplanten Prozessänderung eine Entscheidungsvorlage erstellen.
Früher bedeutete das, mehrere Dokumente zu lesen, wichtige Informationen zu markieren, Gemeinsamkeiten und Unterschiede herauszuarbeiten, Widersprüche zu erkennen, Risiken gegeneinander abzuwägen und daraus eine Empfehlung zu formulieren. Das war nicht immer spannend und wahrscheinlich auch nicht immer besonders effizient.
Während dieser Arbeit passierte aber etwas, das leicht übersehen wird. Der Mitarbeiter lernte, welche Informationen relevant sind, welche Aussagen belastbar wirken und welche Fragen typischerweise fehlen. Er lernte auch, dass zwei Dokumente auf den ersten Blick dasselbe sagen können und trotzdem unterschiedliche Konsequenzen haben. Mit der Zeit entstand daraus ein mentales Modell, das erfahrene Mitarbeiter heute oft sehr schnell anwenden können.
Wenn eine KI die zehn Dokumente liest und direkt eine fertige Entscheidungsvorlage erzeugt, kann der erfahrene Mitarbeiter dieses Ergebnis möglicherweise hervorragend prüfen. Der Anfänger sieht zunächst einmal einen sehr ordentlich strukturierten Text. Genau darin liegt das Problem.
Wir lernen nicht nur durch das Ergebnis
Ein Teil der Lernforschung beschäftigt sich seit Langem mit dem zunächst widersprüchlichen Befund, dass Lernen nicht immer besser wird, wenn wir es möglichst einfach machen. Unter Begriffen wie Desirable Difficulties oder Productive Struggle wird untersucht, dass bestimmte Formen von Anstrengung beim Lernen langfristig hilfreich sein können.
Wer Informationen selbst generieren, abrufen, vergleichen oder eine Lösung zunächst eigenständig entwickeln muss, baut andere Wissensstrukturen auf als jemand, der die fertige Lösung nur konsumiert. Das bedeutet nicht, dass Lernen möglichst mühsam sein sollte. Zu viel Komplexität kann Anfänger genauso überfordern. Der relevante Punkt ist vielmehr, dass nicht jede Reibung im Lernprozess Verschwendung ist.
Genau diese Unterscheidung wird mit generativer KI wichtig. Eine unmittelbar verfügbare, sauber formulierte KI-Antwort kann Denkprozesse umgehen, durch die Menschen normalerweise eigene Wissensstrukturen aufbauen. Für fortgeschrittene Anwender mit bereits vorhandenen mentalen Modellen kann Cognitive Offloading dagegen sinnvoll sein, weil Routinearbeit wegfällt und kognitive Kapazität für anspruchsvollere Beurteilung frei wird.
Dasselbe Werkzeug kann damit für zwei Menschen etwas völlig Unterschiedliches tun.
Das ist der Unterschied zwischen Entlastung und Abkürzung
Für einen erfahrenen Mitarbeiter kann es Entlastung sein, wenn die KI einen ersten Entwurf schreibt. Für einen Anfänger kann derselbe Entwurf eine Abkürzung um genau die Lernphase sein, in der er hätte lernen müssen, selbst eine Argumentation aufzubauen.
Für einen erfahrenen Auditor kann es sinnvoll sein, wenn KI aus sauber dokumentierten Beobachtungen einen Bericht formuliert. Er hat vermutlich genügend Berichte selbst geschrieben, um zu erkennen, wenn eine Feststellung plötzlich mehr behauptet, als der Nachweis hergibt. Für jemanden, der gerade erst lernt, Auditfeststellungen zu formulieren, kann es dagegen problematisch sein, sofort perfekte Formulierungen geliefert zu bekommen. Er sieht das Ergebnis, ohne zwingend zu lernen, wie Beobachtung, Nachweis, Bewertung und Aussage logisch zusammengehören.
Dasselbe gilt für Analysen, Präsentationen, Projektpläne oder Entscheidungsvorlagen. Das Problem ist nicht, dass die KI diese Dinge kann. Es entsteht dann, wenn wir Ausführung und Lernen miteinander verwechseln.
Der Senior kann etwas auslagern, das der Junior vielleicht erst noch lernen muss
Damit kommen wir zu einem Punkt, den ich in der Diskussion über KI-Kompetenz bisher noch zu wenig sehe. Wir behandeln Mitarbeiter häufig so, als wäre KI-Nutzung unabhängig vom Erfahrungsstand dieselbe Aufgabe. Der erfahrene Fachspezialist und die Berufseinsteigerin bekommen Zugang zum selben Copiloten, dieselben Tools und möglicherweise dieselbe Schulung.
Ihre Ausgangssituation ist aber vollkommen unterschiedlich. Der erfahrene Mitarbeiter besitzt bereits ein relativ stabiles mentales Modell seiner Arbeit. Wenn die KI Routineanteile übernimmt, kann er das Ergebnis mit diesem Modell vergleichen. Er erkennt ungewöhnliche Auslassungen, schlechte Argumente oder eine Empfehlung, die zwar logisch klingt, in der Praxis aber nicht funktionieren wird.
Der Anfänger hat dieses Modell erst teilweise. Er muss es aufbauen, und dafür braucht er nicht nur Informationen, sondern Aufgaben, Erfahrungen, Fehler und Feedback. Wenn genau diese Schritte durch KI verkürzt oder übersprungen werden, kann kurzfristig Produktivität entstehen, während langfristig Kompetenzaufbau verloren geht.
Das ist auch ein Problem für Unternehmen
Die Frage betrifft deshalb nicht nur Schulen und Universitäten, sondern die betriebliche Wissensarbeit möglicherweise sogar noch stärker. Ein Unternehmen kann heute mit KI die Produktivität eines erfahrenen Mitarbeiters erheblich steigern und gleichzeitig unabsichtlich genau die Aufgaben automatisieren, über die früher die nächste Generation dieser erfahrenen Mitarbeiter ausgebildet wurde.
Viele Junior-Aufgaben wirken aus Sicht eines Seniors banal. Recherche durchführen, Protokolle schreiben, Daten aufbereiten, Dokumente vergleichen, erste Analysen erstellen oder einen Entwurf schreiben und anschließend Feedback dazu bekommen. Natürlich enthalten solche Aufgaben auch Tätigkeiten, die niemand aus nostalgischen Gründen erhalten muss. In ihnen steckt aber häufig eine Lernfunktion.
Der Junior erstellt nicht nur eine Tabelle, sondern lernt dabei, welche Daten überhaupt zusammengehören. Er schreibt nicht nur ein Protokoll, sondern lernt, welche Aussagen entscheidungsrelevant sind. Er erstellt nicht nur die erste Version einer Präsentation, sondern muss sich zunächst überlegen, wie aus einem komplexen Sachverhalt eine nachvollziehbare Argumentation wird.
Wenn KI genau diese Zwischenstufen vollständig übernimmt, kann das kurzfristig sehr effizient aussehen. Langfristig stellt sich aber eine unangenehme Frage: Woher kommen dann die erfahrenen Mitarbeiter von morgen?
Vielleicht entsteht gerade ein neues Kompetenzmanagement-Problem
Aus QM-Sicht würde ich deshalb nicht fragen, welche Aufgaben wir grundsätzlich vor KI schützen müssen. Das wäre der falsche Ansatz. Sinnvoller ist die Unterscheidung zwischen Produktionsarbeit und Lernarbeit.
Eine Tätigkeit kann aus Produktionssicht vollkommen automatisierbar sein und trotzdem für einen bestimmten Mitarbeiter noch eine Lernfunktion besitzen. Ein erfahrener Kollege kann die KI vielleicht direkt einen ersten Entwurf erstellen lassen, während ein neuer Mitarbeiter zunächst selbst eine Struktur entwickeln und anschließend mit der KI-Version vergleichen sollte.
Oder die KI liefert bei einer Analyse nicht sofort die fertige Empfehlung, sondern stellt zunächst Fragen, weist auf fehlende Informationen hin oder fordert Gegenargumente ein. Vielleicht muss ein Anfänger eine Aufgabe einige Male selbst lösen, bevor er sie sinnvoll delegieren kann.
Das klingt zunächst ineffizient. Es ist aber nur dann ineffizient, wenn wir ausschließlich auf die heutige Bearbeitungszeit schauen. Wenn Kompetenzaufbau ein Ziel des Prozesses ist, gehört diese zusätzliche Denkarbeit zur Wertschöpfung.
Das erinnert erstaunlich stark an Einarbeitung im Qualitätsmanagement
Eigentlich kennen wir das Problem. Wir würden einen neuen Auditor auch nicht am ersten Tag mit einer Checkliste allein losschicken und anschließend sagen: Die Fragen stehen doch dort.
Wir würden erklären, warum bestimmte Fragen gestellt werden, ihn beobachten lassen, gemeinsam Feststellungen diskutieren und seine eigenen Bewertungen anschließend mit denen eines erfahrenen Auditors vergleichen. Nicht weil wir ineffizient arbeiten wollen, sondern weil Auditkompetenz nicht aus einer Checkliste entsteht.
Dasselbe gilt für viele andere Wissensberufe. Fachliche Urteilskraft entsteht nicht dadurch, dass Menschen möglichst viele fertige Ergebnisse sehen. Sie entsteht auch dadurch, dass sie selbst Entscheidungen vorbereiten, Fehler machen, Rückmeldung bekommen und ihre Einschätzung mit der Realität abgleichen.
Genau deshalb sollte KI nicht einfach jede unbequeme Arbeit beseitigen. Manche dieser unbequemen Aufgaben waren vielleicht Teil unseres Trainings.
KI sollte für Anfänger vielleicht anders aussehen als für Experten
Das führt zu einer praktischen Konsequenz, die für KI-Schulungen und die Einführung von KI im Unternehmen zunehmend wichtig wird. Wir sollten nicht nur fragen, welche Aufgabe ein Tool übernehmen kann, sondern auch, für wen es diese Aufgabe schon übernehmen darf.
Ein erfahrener Mitarbeiter benötigt möglicherweise einen Agenten, der möglichst viel Routinearbeit selbstständig erledigt. Ein Anfänger braucht unter Umständen ein System, das ihn stärker durch die Aufgabe führt, Fragen stellt, Zwischenergebnisse einfordert und Feedback gibt.
Die gleiche KI könnte damit zwei Rollen übernehmen. Für den Experten ist sie Delegation, für den Anfänger eher Sparringspartner. Diese Unterscheidung ist aus meiner Sicht sinnvoller als die Vorstellung, alle Mitarbeiter müssten einfach lernen, möglichst gute Prompts zu schreiben.
Vielleicht müssen wir wieder über Lernen vor dem Auslagern sprechen
Bei Wikipedia haben wir irgendwann akzeptiert, dass niemand alles auswendig wissen muss. Trotzdem erwarten wir weiterhin, dass Menschen genug über ein Thema verstehen, um Informationen einordnen zu können.
Bei generativer KI müssen wir diese Diskussion wahrscheinlich eine Ebene höher noch einmal führen. Wir müssen nicht jeden Text selbst schreiben, nicht jede Zusammenfassung selbst erstellen und wahrscheinlich auch nicht jede Analyse vollständig ohne KI durchführen.
Bevor wir etwas dauerhaft auslagern, sollten wir uns aber fragen, ob die Person bereits genug von der zugrunde liegenden Tätigkeit verstanden hat, um zu erkennen, wenn das ausgelagerte Ergebnis nicht stimmt.
Denn genau darin liegt das Lernparadox der KI: Was für Erfahrene sinnvolles Offloading ist, kann für Anfänger eine übersprungene Lernstufe sein.
Wenn wir das nicht berücksichtigen, bekommen wir möglicherweise kurzfristig schnellere Wissensarbeit und langfristig weniger Menschen, die sie wirklich beherrschen.
Die Aufgabe besteht deshalb nicht darin, KI aus Lernprozessen herauszuhalten. Im Gegenteil. KI kann ein sehr guter Tutor, Sparringspartner und Feedbackgeber sein. Wir müssen sie nur so einsetzen, dass sie Menschen beim Aufbau von Kompetenz unterstützt, statt ihnen genau die Denkprozesse abzunehmen, durch die diese Kompetenz überhaupt erst entsteht.
Quellen
- Sparrow, B., Liu, J. & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778.
- Risko, E. F. & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688.
- Bjork, R. A. & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning.
- 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. CHI ’25.
- Aktuelle Arbeiten 2025–2026 zu Productive Struggle, Cognitive Offloading und Generative AI in Lern- und Wissensarbeitskontexten.
