AI eröffnet enorme Möglichkeiten, Arbeit schneller und besser zu machen. Gleichzeitig wächst die Sorge, dass wir Fähigkeiten verlieren könnten, wenn wir immer mehr Arbeit an AI delegieren.

Dass wir Arbeit und damit auch Wissen, Routinen und praktische Fähigkeiten delegieren, ist allerdings keineswegs neu. Spezialisierung und Arbeitsteilung gibt es seit sehr langer Zeit, in größerem Maßstab spätestens seit der Bronzezeit – also seit rund 5.000 Jahren.

Auch unser heutiger Arbeitsalltag ist davon geprägt. Organisationen arbeiten ständig mit externen Partner:innen, Agenturen, Berater:innen oder anderen Spezialist:innen zusammen. Auch dabei werden Wissen und Fähigkeiten ausgelagert. Häufig handelt es sich allerdings um spezialisiertes Wissen, das nicht jede Person in einer Organisation selbst beherrschen muss.

Bei AI liegt die Sache anders. Sie übernimmt zunehmend genau jene grundlegenden Tätigkeiten, die bisher Teil unserer täglichen Arbeit waren: Recherche, Entwürfe, Vergleiche, Zusammenfassungen oder Kontrollen. Und damit auch Tätigkeiten, über die bisher Expertise aufgebaut wurde.

Die häufig daraus abgeleitete Forderung, wir müssten solche Aufgaben zumindest teilweise weiterhin selbst erledigen, damit wir sie nicht verlernen, überzeugt mich nur bedingt. In einer auf Effizienz ausgerichteten Arbeitswelt ist ohnehin fraglich, wie realistisch es ist, Tätigkeiten bewusst weiterzuführen, nur um die damit verbundenen Fähigkeiten zu erhalten. Vor allem aber greift mir dieser Ansatz strategisch zu kurz.

Die entscheidende Frage ist doch, welche Fähigkeiten wir trotz der Delegation behalten müssen. Ich muss nicht jeden ersten Entwurf selbst schreiben, aber erkennen können, ob ein Text gut ist. Ich muss nicht jeden Analyseschritt manuell durchführen, aber genug verstehen, um ein Ergebnis infrage stellen zu können. Verantwortung setzt nicht voraus, jeden Arbeitsschritt selbst auszuführen. Sie setzt Urteilskraft voraus.

Wie wichtig diese Urteilskraft ist, zeigt sich derzeit sehr deutlich bei AI-generierter Kommunikation. Viele LinkedIn-Posts klingen inzwischen ähnlich, sind etwa gleich lang, folgen denselben Dramaturgien und enden mit denselben Engagement-Fragen. Die Kritik daran teile ich. Diese Gleichförmigkeit macht nicht nur wenig Lust aufs Lesen. Sie legt auch eine mindere Qualität des Inhalts nahe – weil sie dadurch entsteht, dass der Output nicht ausreichend gesteuert, geprüft und weiterbearbeitet wird. Es fehlt damit das, was es braucht, um mit AI zu einem sauberen und hochwertigen Ergebnis zu kommen.

Genau hier liegt eine Verantwortung des AI Transformation Managements: nicht nur die Nutzung der Technologie zu ermöglichen, sondern die neue Arbeitsweise so zu gestalten, dass Qualität und menschliche Urteilskraft erhalten bleiben.

Es greift zu kurz, AI-Kompetenz vor allem mit der Einhaltung von Compliance-Richtlinien oder mit Prompting gleichzusetzen. Beides ist wichtig. Aber Kompetenz im Umgang mit AI braucht mehr. Entscheidend ist, ob jemand beurteilen kann, wann AI sinnvoll eingesetzt werden kann, welche Informationen oder Perspektiven fehlen, wie belastbar ein Ergebnis ist und wann nachgesteuert werden muss.

AI kann die Qualität komplexer Wissensarbeit deutlich steigern, unter anderem weil sie Zugang zu einer viel breiteren Informations- und Perspektivenbasis eröffnet. Das geschieht jedoch nicht automatisch. Verlässliche Qualität entsteht dadurch, dass jemand den Kontext versteht, die AI aktiv steuert und ihre Ergebnisse beurteilt und korrigiert. Das verfügbare Wissen mag enorm sein, aber es ist weder automatisch richtig noch automatisch relevant.

Und genau hier stellt sich für mich die schwierigste Frage: nicht, wie wir selbst möglichst jede bisherige Fähigkeit behalten, sondern wie die nächste Generation jene Expertise aufbauen soll, die notwendig ist, um mit AI verlässlich gute Ergebnisse zu erzielen.

Vieles von dem, was meine Expertise heute ausmacht, entstand durch Erfahrung. Situationen einschätzen, Muster erkennen, sensible Botschaften formulieren oder Qualität beurteilen lernt man nicht abstrakt. Dieses Urteilsvermögen ist über Jahre aus genau jener detailreichen Basisarbeit gewachsen, die sich heute besonders gut an AI auslagern lässt.

Was passiert also, wenn diese Tätigkeiten zunehmend verschwinden?

Wenn Organisationen große Teile typischer Einstiegsarbeit automatisieren, kann Expertise nicht weiterhin auf dieselbe Weise entstehen. Wenn Recherche, Entwürfe, Vergleiche oder Kontrollen zunehmend von AI übernommen werden, müssen sich auch Entwicklungswege verändern. Sonst nutzen Organisationen vorhandene Expertise zwar immer effizienter, schwächen aber gleichzeitig die Bedingungen, unter denen neue entstehen kann.

Einfach Teile der bisherigen Arbeit in reduziertem Umfang beizubehalten, löst dieses Problem nicht. Vor allem stellt das nicht sicher, dass Berufseinsteiger:innen tatsächlich jene Breite und Tiefe an Erfahrung sammeln, aus der später Expertise wird.

Eine strategische Antwort müsste deshalb anders ansetzen: Welche Fähigkeiten werden künftig gebraucht? Durch welche Erfahrungen haben Berufseinsteiger:innen diese Fähigkeiten bisher entwickelt? Welche dieser Erfahrungsräume verschwinden durch AI? Und durch welche neuen Erfahrungen kann künftig relevantere Expertise entstehen?

Damit bekommt AI-Implementierung eine Nachhaltigkeitsdimension.

Beim Management dieses Prozesses sollte es deshalb nicht nur um Adoption, Produktivität und Governance gehen. Ebenso wichtig ist die Frage, welche menschlichen Fähigkeiten eine Organisation langfristig braucht und wie diese künftig aufgebaut werden können. Kritische Expertise darf nicht als selbstverständlich reproduzierbar vorausgesetzt werden, wenn gleichzeitig die Bedingungen verschwinden, unter denen sie bisher gewachsen ist. AI-Implementierung sollte deshalb aus meiner Sicht auch eine Capability-Sustainability-Perspektive enthalten.

Diese Frage reicht deutlich über einzelne Unternehmen hinaus. Wenn viele Organisationen dieselben entwicklungsrelevanten Tätigkeiten automatisieren, wird aus einzelnen Produktivitätsentscheidungen eine gesellschaftliche Frage: Wo soll zukünftige Expertise entstehen?

Vielleicht ist das auch eine Frage für ESG – und möglicherweise eine, die längst gestellt wird: ob Verantwortung für den Erhalt menschlicher Fähigkeiten im Zeitalter von AI innerhalb der sozialen Dimension von ESG klarer und expliziter verankert werden sollte.

Die Herausforderung besteht nicht darin, das Auslagern von Arbeit an AI zu verhindern. Sie besteht darin, gleichzeitig dafür zu sorgen, dass auch künftig Menschen die Expertise entwickeln können, die notwendig ist, um AI sinnvoll einzusetzen und ihre Ergebnisse zu beurteilen. Denn ohne diese Expertise lässt sich auch die Qualität, die AI ermöglichen kann, langfristig nicht sichern.