In einer internen Erhebung befragte Anthropic 132 Softwareingenieure, wie KI-Werkzeuge ihre Arbeit verändert haben. Die Antworten waren vor allem wegen einer Beobachtung aufschlussreich, die sich durch fast alle Rückmeldungen zog: Viele beschrieben, dass sich ihr Beruf deutlich gewandelt habe. Statt selbst Code zu schreiben, steuern sie nun KI-Agenten, die Code schreiben. Die Produktivität stieg. Gleichzeitig aber äußerten einige Sorge über den schwindenden handwerklichen Aspekt ihrer Arbeit und die Furcht vorm Nachlassen der eigenen Fähigkeiten. Dazu noch ein sehr menschlicher Aspekt, den ein Programmierer so auf den Punkt brachte: "I like working with people and it is sad that I need them less now."
Diese Beobachtung verweist auf eine Verschiebung, die weit über die Softwareentwicklung hinausgeht und die im ersten Artikel dieser Serie beschriebene organisationale Dimension um eine individuelle ergänzt. Dort ging es darum, warum KI-Initiativen an Organisationen scheitern. Hier geht es darum, was mit der kognitiven Arbeit selbst passiert, wenn KI Teile der Ausführung übernimmt.
Die Verschiebung betrifft nicht nur die verbleibende Arbeit. Sie verändert auch, wie diese Arbeit erlernt wird, welche kognitive Last entsteht und wen sie begünstigt.
Die Urteilsverschiebung
Generative KI verschiebt den Wertschöpfungskern kognitiver Arbeit von der Ausführung zur Urteilsbildung. Ein Berater, der früher zwei Tage an einer Marktanalyse schrieb, bekommt heute in einer Stunde einen formal brauchbaren Entwurf von einer KI. Ein deutlicher Zeitgewinn, aber was er nun mit dieser Zeit anfangen muss, ist dichter und anspruchsvoller als das, was er vorher tat: den Entwurf auf Plausibilität prüfen, fehlende Kontexte ergänzen, Annahmen hinterfragen, Schlussfolgerungen bewerten. Das Gespür, das der Berater früher beim Recherchieren nebenbei entwickelt hat, muss er sich jetzt im Nachgang erarbeiten.
KI kann zwar auch die Urteilsbildung unterstützen: Sie zeigt Optionen auf, liefert Gegenargumente, fasst Daten zusammen. Das macht das menschliche Urteil aber nicht einfacher, sondern anspruchsvoller, weil mehr Informationen, Optionen und Geschwindigkeit zu verarbeiten sind. Die Urteilsverschiebung begünstigt dabei systematisch jene, die bereits über Erfahrung und Wissen verfügen. Sie haben die Grundlagen, die KI verstärken kann.
Eine experimentelle Studie mit 319 Wissensarbeitern zeigt genau diese Asymmetrie: Wer seinen eigenen Fähigkeiten vertraut, denkt bei KI-Ergebnissen kritischer nach, allerdings zu höheren kognitiven Kosten. Wer vor allem der KI vertraut, denkt weniger nach. Das hat einen konkreten Effekt auf die Qualität der Arbeit, weil beim KI Einsatz die Anforderungen, also die Definition dessen was man erreichen will, zuerst kommt. Schlechte Anforderungen produzierten auch früher schon schlechte Ergebnisse. Aber eben langsam. Heute produzieren schlechte Anforderungen bzw. Aufgabenstellungen ebenfalls schlechte Ergebnisse, aber in Sekunden. Früher zwang die Ausführung bereits zur Klärung, weil Lücken unterwegs sichtbar wurden. Heute produziert KI auch auf vage Vorgaben sofort Material.
Das Entschleunigungsparadox
Die Urteilsverschiebung wird durch einen zweiten Effekt verschärft: Repetitive Tätigkeiten, die KI übernimmt, dienten häufig zum kognitives Luftholen (Scaffolding). Sie gaben Menschen Zeit und Struktur zum Denken.
Am Beispiel der Consulting-Branche: Wenn die nächtliche Arbeit an Präsentationen wegfällt, entfällt nicht nur eher nervige Routine, sondern deutlich mehr. Das Erstellen einer Folie war nie nur das Erstellen einer Folie. Es war der Kontext, in dem Berufseinsteiger das Geschäft lernten, in dem Feedback en passant gegeben wurde, in dem Mustererkennung wuchs. Die Automatisierung entfernt nicht nur die Aufgabe, sondern auch den Lernmechanismus, der in ihr verborgen war.
Lernpsychologisch ist dieser Effekt gut dokumentiert. Robert Bjork beschreibt Desirable Difficulties als Lernhindernisse, die kurzfristig bremsen, aber langfristig das Lernen vertiefen: Aufwand bei der Ergebniserstellung, Wiederholung, aktiver Abruf. KI eliminiert genau diese Schwierigkeiten. Was kurzfristig als Effizienzgewinn erscheint, kann langfristig ein Lernhindernis sein. In Vygotskys Terminologie: KI ist permanentes Scaffolding, das nie entfernt wird. Und das erschwert das eigenständige Lernen.
Das Entschleunigungsparadox wirkt unterschiedlich für Anfänger und Experten. Für Experten, deren Lernphase hinter ihnen liegt, ist die Automatisierung befreiend: Sie können sich auf die Arbeit konzentrieren, für die ihre Erfahrung den größten Hebel hat. Für Anfänger ist sie riskant: die Aufgaben, an denen sie hätten wachsen müssen, fallen weg, bevor sie an ihnen wachsen konnten.
Die kognitive Obergrenze
Wenn nur noch Urteilsbildung übrig bleibt: gibt es eine Obergrenze, wie viele Hochlast-Entscheidungen ein Mensch pro Stunde ausführen kann?
Die Forschung sagt ja. Lai und Gershman (2024) formalisieren diese Grenze informationstheoretisch: Menschen vereinfachen ihre Entscheidungsstrategien systematisch unter kognitiver Last. Unter Zeitdruck ignorieren sie Kontextinformationen und fallen auf Standardaktionen zurück. Das ist eine rationale Anpassung an begrenzte kognitive Kapazität und kein Motivationsproblem.
Übertragen auf KI-Arbeit: Fällt die Ausführungszeit weg und steigt die Entscheidungsdichte, wird der Mensch wahrscheinlich vereinfachen: Rückfall auf Gewohnheiten, übersehene Kontexte. Das Gehirn operiert bereits an seinen Kapazitätsgrenzen. KI kann daran nichts ändern, sie fügt keine kognitiven Ressourcen hinzu. Sie ändert, wofür die vorhandene, menschliche Kapazität eingesetzt wird.
Mehr KI-Unterstützung führt also nicht zu mehr Urteilsleistung. Es gibt einen Punkt, ab dem zusätzliche Automatisierung die Entscheidungsqualität eher verschlechtert, weil der Mensch mit der verdichteten Urteilsarbeit nicht mehr Schritt hält. Die Grenze für den Zuwachs an Produktivität durch KI-Einsatz liegt damit in der menschlichen Verarbeitungskapazität, nicht in der Maschine.
KI als Verstärker
Ein randomisiertes Experiment mit über 1.100 Teilnehmern quantifiziert den Effekt: KI reduziert den Produktivitätsunterschied zwischen höher und niedriger Gebildeten um 75 Prozent. Auf den ersten Blick ein demokratisierender Effekt. Doch die Studie zeigt auch: Sobald die KI nicht mehr verfügbar war, kamen die zugrundeliegenden Kompetenzunterschiede wieder durch.
Das heißt, KI hebt das Leistungsniveau von Anfängern, ohne dass die Fähigkeit dahinter mitwächst. Eine systematische Übersicht über 35 Studien zu Automation Bias zeigt: Professionelle Expertise und Domänenwissen sind die stärksten Schutzfaktoren gegen unkritische Übernahme von KI-Empfehlungen. Also ausgerechnet das, was Anfängern in der Regel fehlt. Diejenigen, die am meisten von KI profitieren könnten, sind zugleich am anfälligsten dafür, falsche Ergebnisse nicht zu erkennen.
Für erfahrene Fachkräfte wirkt KI als Verstärker: Sie verfügen über das Urteilsvermögen, das KI-Outputs einordnet, und die Erfahrung, die Fehler zu erkennen. Für Berufseinsteiger fehlt beides, und die Gelegenheiten, es aufzubauen, werden durch die Automatisierung der Einstiegsaufgaben weniger. Die Technologie, die Kompetenz demokratisieren soll, könnte den Aufbau von Kompetenz langfristig erschweren.
Folgen für Organisationen und Fachkräfte
Die Urteilsverschiebung, das Entschleunigungsparadox und die kognitive Obergrenze zeichnen zusammen ein Bild, das differenzierter ist als die übliche Debatte über KI und Arbeit. KI ersetzt Arbeit nicht pauschal und wertet sie auch nicht auf. Ein Teil wird eliminiert und sie verdichtet das, was bleibt, auf das kognitiv Anspruchsvollste. Dabei entsteht eine Asymmetrie, die Erfahrene stärkt und Unerfahrene vor neue Herausforderungen stellt.
Für Organisationen bedeutet das: die im vorherigen Artikel beschriebene Investition in Menschen statt in Technologie ist kein Kann, sondern die Voraussetzung dafür, dass KI-Augmentierung überhaupt funktioniert. Die Verschiebung zur Urteilsbildung wirft für Organisationen auch die Frage auf, ob kognitive Last bei der Reorganisation von Arbeit stärker mitbedacht werden müsste. Für Individuen folgt daraus ein anderer Blick auf Kompetenz. Wenn Urteilsfähigkeit der neue Kern ist und Erfahrung den KI-Hebel bestimmt, verändern sich die Profile, mit denen Fachkräfte gut aufgestellt sind. Darum geht es im nächsten Artikel dieser Serie.