Aquarell-Illustration: Eine Werkbank mit Hobel und Zollstock, auf einem Blatt Papier ein ockerfarbener Kreis, aus dem feine Linien zu einer großen schwebenden Sphäre aufsteigen

Die Neuerfindung der Arbeit

Wie KI Rollen entkoppelt, das Handwerk aufwertet und uns auf das zurückwirft, was nur Menschen können.

Im Januar saß Jensen Huang in Davos neben Larry Fink und stellte eine Frage, die mich zu diesem Text gebracht hat: „What is the purpose of your job?“ Also nicht: Welche Aufgaben übernimmt die KI? Sondern: Wofür gibt es dich eigentlich?

Im Juni sprach ich beim 8. isb KI-Forum über rollenbasierte Agenten. Huang spricht eher über makroökonomische Zusammenhänge. Ich übersetze sie in die Organisation: in sozio-technische Strukturen mit Rollen, Organigrammen und der Frage, wer am Ende für Wertschöpfung und Entscheidungen sorgt. Trotzdem sprechen Huang und ich von ähnlichen Dingen.

Wenn du gerade überlegst, was KI mit deinem Team, deiner Rolle oder deinem Beruf macht, lohnt es sich, beide Blickwinkel zusammenzulegen. Huang schaut von unten auf die Sache: Strom, Chips, Rechenzentren. Ich schaue von innen: Wer schafft Wert, wer entscheidet, wer haftet, wer redet mit wem. Dieser Text versucht, daraus einen Faden zu spinnen. Er endet bei einer ziemlich einfachen Pointe: KI nimmt dir Wissensarbeit ab. Verantwortung und Entscheidung lässt sie dir.

Wir wissen mehr, als wir sagen können

Michael Polanyi hat 1966 einen Satz geschrieben: „Wir wissen mehr, als wir sagen können.“ Gemeint ist das Wissen, das du nicht aufschreiben kannst.

Wenige Jahre später, 1969, unterschied Martin M. Broadwell in einem Artikel über Unterricht vier Stufen: unbewusste Inkompetenz, bewusste Inkompetenz, bewusste Kompetenz und unbewusste Kompetenz.[6] W. Lewis Robinson griff das 1974 für die Ausbildung von Trainern auf.[7] Bekannt wurden die vier Stufen durch Noel Burch in den 1970er-Jahren unter dem Titel „Four Stages for Learning Any New Skill“. Auf ihn geht die heute übliche Darstellung als allgemeines Lernmodell zurück.

Wer lange in seinem Beruf arbeitet, hat oft ein trainiertes Bauchgefühl, weil die eigene Kompetenz unbewusst geworden ist. Wir wissen mehr, als wir sagen können: das Gespür, dass ein Kunde gleich abspringt. Der Blick auf eine Anlage, der dir sagt, dass etwas nicht stimmt. Die Art, wie eine erfahrene Kollegin aus drei halben Informationen eine gute Entscheidung baut.

Alle bisherigen Digitalisierungs- und Automatisierungswellen haben um dieses implizite Wissen weitgehend einen Bogen gemacht. Fließband und Mechanisierung haben die explizite Handarbeit übernommen, Computer und Datenbanken die explizite Kopfarbeit, also alles, was sich in Regeln und Tabellen fassen lässt. Das Implizite blieb bei uns. Und mit ihm ein guter Teil der Rechtfertigung unserer fachlichen Expertise: Seniorität, Fachkarrieren, der Berater, der „das schon mal gesehen hat“.

Huang beschreibt den Umbruch aus Sicht der Technik. Seit den ersten Großrechnern hat Software vor allem gespeicherte Daten wieder abgerufen. Jemand schrieb den Code vorher, jemand pflegte die Datenbank, und der Rechner holte die passende Zeile heraus. Heute erzeugen Modelle ihre Antwort im Moment der Frage, aus Sprache, Bildern oder Messwerten. Agenten zerlegen eine Aufgabe in Schritte, recherchieren und bedienen Werkzeuge.

Mich interessiert ein anderer Punkt mehr. Statistisches Lernen funktioniert genau dort, wo wir keine Regeln mehr formulieren können. KI lernt im Polanyi-Bereich. Wissen, das bisher an einer Person hing, ist jetzt verfügbar, verdichtet in einem trainierten Sprachmodell. Damit wackelt eine Burg, die bisher niemand angetastet hat: die des impliziten Wissens. Viele Hierarchien und Funktionen haben sich genau über dieses Wissen begründet. Diese Mauern fallen jetzt.

Die Rolle zerfällt in drei Teile

Bisher war eine Rolle ein Paket: Wissen, Person und Verantwortung, fest verschnürt. Wer das Wissen hatte, bekam die Stelle und trug die Verantwortung. Stellenbeschreibungen und Gehaltsstufen haben genau dieses Paket abgebildet.

KI bricht es auf. Das Wissen wandert zu einem Teil in Modelle und Agenten. Die Person bleibt, aber mit einer anderen Aufgabe: urteilen, einordnen, in Zusammenhang stellen und in Beziehung gehen. Die Verantwortung bleibt, wo sie immer war, beim Menschen (Human in the Loop). Wer sich nur über seine Fachkompetenz definiert, steht jetzt ziemlich ungeschützt da, weil die Burg des Fachwissens als Begründung bröckelt.

Aquarell: Drei Papiersäcke nebeneinander, beschriftet mit Wissen, Urteil und Verantwortung. Aus dem linken Sack steigt das Wissen als Wolke auf, hinter dem grünen Sack Verantwortung steht eine menschliche Figur
Wissen wandert in Agenten, Urteil und Verantwortung bleiben bei der Person. Illustration: KI-generiert mit Leonardo.ai

Für viele Fachleute ist das unbequem. Wer sich über sein Wissen definiert hat, fragt sich irgendwann: Wer bin ich, wenn ich nicht mehr der mit den Antworten bin? Ich halte die Frage für berechtigt. Mit einem Workshop moderiert man sie nicht weg.

Huang bietet in Davos eine Unterscheidung an, die hier hilft: Task und Purpose. Die Aufgabe ist das, was du tust. Der Zweck ist das, wofür es dich gibt.

Sein Lieblingsbeispiel sind Radiologen. Vor gut zehn Jahren hieß es, Bilderkennung werde den Beruf überflüssig machen. Passiert ist das Gegenteil: Es gibt heute mehr Radiologen als je zuvor. Scans auswerten war eine Aufgabe. Der Zweck war immer, Krankheiten zu erkennen und Patienten zu begleiten. Als die Auswertung schneller wurde, konnten Kliniken mehr Patienten behandeln, und sie haben mehr Radiologen eingestellt.

Bei der Pflege sieht es ähnlich aus. In den USA fehlen rund fünf Millionen Pflegekräfte, und die vorhandenen verbringen fast die Hälfte ihrer Zeit mit Dokumentation, so die Einordnung im NVIDIA-Bericht zum Gespräch.[2] Wenn KI Mitschrift und Dokumentation übernimmt (Huang nennt hier Abridge), wird Zeit frei für das, was Pflege ausmacht. Bei Softwareentwicklern genauso: Code tippen ist die Aufgabe, Probleme lösen der Zweck. Wer behauptet, Entwickler verschwinden, weil KI den Großteil des Codes schreibt, verwechselt beides.

Ich würde Huangs Rechnung um einen Punkt ergänzen. Ob aus freier Zeit mehr Zweck wird oder einfach weniger Stellen, entscheidet nicht die Technik. Das entscheidet die Organisation. Mehr dazu steht in einem älteren Beitrag, The Flattening Game.

Die Rolle wird zur Schnittstelle

Mensch-Maschine-Schnittstelle hieß lange vor allem Bildschirm: Menüs, Masken, Pflichtfelder. Die Software hat dir die Arbeit vorstrukturiert, und ein guter Teil deiner Kompetenz bestand darin, zu wissen, wo man klickt. Dazu kam, Inhalte zu produzieren und aufzupassen, wenn die Maschine Unsinn macht.

Das verschwindet gerade. Die Schnittstelle ist jetzt Sprache, und damit dreht sich die Richtung um. Nicht mehr die Software sagt dir, was sie braucht. Du musst sagen, was du willst, in welchem Kontext und woran du ein gutes Ergebnis erkennst. Deshalb habe ich im Mai geschrieben, dass die Rolle das neue HMI ist.

Was bleibt dann beim Menschen? Ich komme immer wieder auf drei Dinge.

Urteilskraft. Wenn ein Modell dir hundert plausible Vorschläge macht, liegt deine Arbeit nicht mehr im Erzeugen. Sie liegt in der Frage, welcher davon hier und jetzt, für genau diese Menschen, taugt. Aristoteles nannte das phronesis, praktische Klugheit. Dafür gibt es keinen Algorithmus.

Adressiert-Sein. Vertrauen braucht ein Gegenüber, das man ansprechen und zur Rechenschaft ziehen kann. Es braucht echte Resonanz. Ein Modell reagiert, wenn du es ansprichst. Adressierbar im sozialen Sinn ist es nicht. Es kann für nichts geradestehen und hat nichts zu verlieren. Wer tiefer einsteigen will, findet das bei Emmanuel Levinas und Hartmut Rosa.

Kontextkompetenz. Andrej Karpathy spricht von Context Engineering. Mir gefällt die systemische Lesart besser: Diagnose vor Intervention. In welchem Kontext steht der Mensch? In welchem das Problem? Welche Kontexte können als Lösungsraum dienen? Welcher Kontext fehlt dem Modell? Wer ist betroffen? Welche Machtfragen stehen unausgesprochen im Raum?

Das sind keine Soft Skills, die man nebenbei mitnimmt. Fehlen sie, produziert eine Organisation mit Agenten sehr viel Output und sehr viele organisatorische und technische Schulden. Der Output verpufft oder läuft gut begründet in die falsche Richtung. Ich habe inzwischen mehrfach gesehen, dass kritische Geschäftsprozesse mit KI „gelöst“ wurden und an der entscheidenden Stelle einem blinkenden Schuhkarton glichen, den Klebeband zusammenhält. Das ist keine kluge KI-Nutzung, sondern verschlepptes Risiko. Solche Services sind weder wartbar noch sicher noch nachhaltig.

Zurück zur Zukunft. Mir gefällt, dass diese Verschiebung nicht bei Führungskräften stehen bleibt. Ein Schreiner, der im Kundengespräch mit einem Bildmodell Raumvarianten entwirft, wird zum Raumgestalter. Ein Möbelverkäufer wird zum Einrichtungsberater. Die Pflegekraft gewinnt Zeit für Zuwendung, der Radiologe wird stärker Diagnostiker und Begleiter, die Entwicklerin Architektin von Problemen und Systemen. Ich nenne das Craft Elevation: Das Handwerk rückt eine Stufe nach oben.

Ich liebe es, Wirkung zu ermöglichen: bei uns selbst, in Beziehungen, in Teams und in Organisationen. Deshalb habe ich das Buch „Zeitlos Verwurzelt“ geschrieben. Mit KI wird der Fokus dieses Empowerments schärfer. Er richtet sich auf die Fähigkeiten, die uns im Kern als Menschen ausmachen. Dazu kommt eine zweite Aufgabe. Vieles, was eine Organisation kulturell am Laufen gehalten hat, war implizit. Jetzt muss es explizit und transparent werden, für die Menschen, die dort arbeiten, und als Rahmen für die Agenten, die mitarbeiten.

Aquarell: Eine Treppe steigt von links unten nach rechts oben. Unten liegen Papierstapel (Task), in der Mitte arbeitet eine Person (Urteil), oben stehen Menschen im Gespräch (Purpose)
Craft Elevation: Mit Agenten rückt die Arbeit vom Task zum Purpose. Illustration: KI-generiert mit Leonardo.ai

Wer hat das entschieden?

Hier wird es für mich als Organisations- und Solution-Architekt interessant, und ein bisschen unbequem. Niklas Luhmann hat Organisationen als Netz von Entscheidungen beschrieben, die aneinander anschließen. Wenn Agenten in diesem Netz mitarbeiten, bekommt die Organisation drei Probleme.

Das erste ist die Zurechnungslücke. Eine Entscheidung zählt im System nur, wenn sie jemandem zugerechnet werden kann. „Das Modell hat es vorgeschlagen“ ist keine Adresse. Spätestens im Schadensfall braucht es einen Menschen, der geradesteht.

Das zweite nenne ich Latenzzerstörung. Organisationen brauchen Räume, in denen nicht alles ausgesprochen wird: das Vorgespräch, der Flurfunk, das Thema, das man bewusst noch liegen lässt. Wenn jede Interaktion protokolliert, transkribiert und auswertbar ist, verschwinden diese Puffer. Dass das kein Gedankenspiel ist, zeigt Anthropics Bericht über die eigene Belegschaft, dazu weiter unten mehr.

Das dritte ist ein Sinn-Bruch. Kommunikation zwischen Menschen lebt davon, dass beide Seiten Erwartungen haben und wissen, dass der andere auch welche hat. Ein Modell antwortet präzise, erwartet selbst aber nichts.

Und unsere Werkzeuge? Das Organigramm zeigt Stellen und Linien zwischen Personen. Wie Informationen wirklich fließen und wo Entscheidungen fallen, hat es noch nie gezeigt. Der Agent, der faktisch Tickets priorisiert oder Angebote vorbereitet, taucht dort nicht auf. Die Stellenbeschreibung listet Aufgaben, sagt aber nichts darüber, wer verantwortlich ist, wenn eine davon an einen Agenten geht. Die Prozesslandkarte zeigt Übergaben zwischen Menschen. Die Stelle, an der ein maschineller Vorschlag zur menschlichen Entscheidung wird, bleibt leer. Genau dort sitzen die meisten Probleme.

Aquarell: Eine lange Kette aus farbigen Gliedern, darunter die Stationen Implizites Wissen (Polanyi), KI lernt das Implizite, Die Rolle zerfällt, Zurechnungslücke (Luhmann) und Neue Grammatik
Die ganze Kette auf einen Blick: von Polanyi bis zur neuen Grammatik. Illustration: KI-generiert mit Leonardo.ai

In Beratungen sage ich deshalb gern: KI verändert nicht unseren Werkzeugkasten, KI verändert unseren Beratungsgegenstand. Beim isb KI-Forum habe ich es kürzer gesagt: Ein KI-Agent folgt nur dem, was er vorfindet. Findet er keine Rollen, keine Zuständigkeiten und keine Regeln, arbeitet er eben ohne.

Was fehlt, ist eine Sprache, in der Menschen und Agenten im selben Modell vorkommen. Deshalb habe ich Circlead entwickelt, ein sozio-technisches Modellierungswerkzeug, das Organisationen hilft, diese impliziten Lücken zu schließen. Im Kern folgt es drei Prinzipien.

Von der Stelle zur Rolle. Statt fester Stellen beschreibst du Rollen. In jeder Rolle steht ausdrücklich, wo Urteil, Adressierbarkeit und Kontextverantwortung liegen.

KI-Skills mit menschlichem Owner. Ein Agent wie ein customer-care-agent oder ein policy-validator wird als eigener Akteur geführt. Er bekommt vorab einen Owner, etwa die Service-Leitung oder die Datenschutzrolle, einen festen Eskalationspfad und klare Kriterien, wann er eine Sache zurückgibt. So wird künftig jeder Mitarbeitende in einer Organisation zur Führungskraft von Agenten.

Wieder sprechen können. Wenn Rollen, Erwartungen und Skills in derselben Sprache beschrieben sind, kann die Organisation über ihre eigene Verteilung von Entscheidungen reden. Erst dann kann sie diese Verteilung auch verändern.

Aquarell, zweigeteilt: links ein starrer Baum aus Kästchen (Organigramm: Stellen), rechts ein Baum aus Kreisen mit Menschen und kleinen Agenten-Punkten (Circlead: Rollen, Owner, Eskalation)
Links das alte Organigramm, rechts die Circlead-Grammatik. Illustration: KI-generiert mit Leonardo.ai

Unter allem liegt ein Kuchen mit fünf Schichten

Huang teilt die KI-Welt in einen Kuchen mit fünf Schichten ein: Energie ganz unten, darüber Chips und Rechentechnik, dann Rechenzentren und Cloud, dann die Modelle und ganz oben die Anwendungen. Er nennt das den größten Infrastrukturaufbau der Menschheitsgeschichte. Allein 2025 flossen laut Huang weltweit über 100 Milliarden Dollar Risikokapital, der Großteil davon in KI-native Start-ups, die genau diese oberste Schicht bauen.[2]

Aquarell: Ein Schichtkuchen auf einem Teller mit fünf Lagen, von unten nach oben Energie, Chips, Rechenzentren & Cloud, Modelle und Anwendungen
Der „5-Layer Cake“ nach Huang: von der Energie bis zur Anwendung. Illustration: KI-generiert mit Leonardo.ai

Daraus folgt etwas, das in der KI-Debatte oft untergeht. Für diesen Aufbau braucht es Menschen mit Werkzeug in der Hand. Huang zählt Elektriker, Klempner, Bauarbeiter, Stahlbauer und Netzwerktechniker auf. Sie werden gerade überall gesucht, die Löhne ziehen an, und einen Doktor in Informatik braucht dafür niemand.

Für Europa sieht er eine besondere Chance. Wer eine starke industrielle Basis hat, kann bei Robotik und Physical AI vorne mitspielen. Kein Wunder, dass NEURA Robotics gerade in aller Munde ist. Ich war vor ein paar Wochen dort und habe mir die NEURA Labs angesehen. Sein Satz dazu: „You don’t write AI, you teach AI.“ Das passt zu einem Land, in dem viel Wissen in Werkhallen steckt und wenig im Code. Und es schließt den Kreis zu Polanyi, denn in der Werkhalle ist fast alles implizit.

Die andere Seite derselben Bewegung ist die Demokratisierung. Computer sind in den letzten Jahrzehnten mächtiger geworden, aber auch schwerer zu bedienen. Nur ein kleiner Teil der Menschen konnte sie wirklich programmieren. Huang sagt, KI sei die am leichtesten zu bedienende Software, die es je gab, und könne die technologische Kluft schließen. Die Programmiersprache ist jetzt die Sprache, die du sowieso sprichst. Und wenn du nicht weiterweißt, fragst du das Werkzeug, wie man es benutzt.

Aquarell: Eine Münze in zwei Hälften. Links ockerfarben mit feinen Linien (Sprache wird Programmiersprache), rechts grün mit Händen, die mit Werkzeug an Kabeln arbeiten (Nachfrage nach Handwerk)
Zwei Seiten derselben Bewegung: Sprache als Programmiersprache und Nachfrage nach Handwerk. Illustration: KI-generiert mit Leonardo.ai

Ein Blick in die Werkstatt: Wie Anthropic sich selbst beobachtet

Vieles in diesem Text stammt aus Beratungen und aus Herleitung. Umso interessanter fand ich, dass Anthropic am 16. Oktober eine Untersuchung über die eigene Belegschaft veröffentlicht hat: How employment is changing at Anthropic.[10] Das hauseigene Ökonomen-Team hat Personaldaten, Agenten-Nutzung, Slack- und Kalenderdaten sowie die Bewertungsbögen aus dem Recruiting ausgewertet und 17 Mitarbeitende befragt. Ein Durchschnittsunternehmen ist das nicht, das schreiben die Autoren selbst. Aber es ist eine Organisation, in der das, was ich oben beschreibe, bereits Alltag ist. Einiges davon bestätigt meine Thesen, anderes macht sie unbequemer.

Die Rolle zerfällt, mit Zahlen. Im März 2026 überstiegen die Arbeitsstunden der Agenten bei Anthropic erstmals die der Menschen. Im August loggten die Agenten einzelner Mitarbeitender sechsmal so viele Stunden wie ihre menschlichen Betreuer. In der Befragung vom April sagte ein Fünftel der Belegschaft, die eigene Rolle habe sich vom Erledigen zum Managen von Claudes verschoben. Der Anteil der Meta-Arbeit, also Agenten-Werkzeuge bauen, Pipelines überwachen, Spezifikationen schreiben, stieg innerhalb eines halben Jahres von 10 auf 22 Prozent der interaktiven Sitzungen. Und die schriftlichen Dauer-Anweisungen für Agenten wuchsen von ein paar hundert im Juli 2025 auf 8.500 ein Jahr später. Das sind faktisch Rollenbeschreibungen für maschinelle Mitarbeiter. Dass jeder Mitarbeitende zur Führungskraft von Agenten wird, ist dort keine These mehr, sondern Personalstatistik.

Craft Elevation findet statt. Die codierenden Agenten-Sitzungen von nicht-technischen Mitarbeitenden, die zuvor keinen Code geschrieben hatten, stiegen von 2 pro Monat im August 2025 auf 90 im Mai 2026. Juristen bauen Agenten für Risikoscans und Erstprüfungen, der Vertrieb baut sich CRM-Automationen, das Recruiting eigene Dashboards. Die Commits von Managern haben sich verdoppelt. Wer mindestens ein Jahr im Unternehmen ist, wechselte 2026 um die Hälfte häufiger die Abteilung als noch 2025. Huangs Satz, die Programmiersprache sei die Sprache, die du sowieso sprichst, steht hier als Nutzungskurve.

Urteilskraft wird Einstellungskriterium. In den Bewertungsbögen der Interviews nahm bei technischen Rollen der Anteil von Autonomie und Urteilsvermögen zu, Fachwissen verlor an Gewicht. Bei nicht-technischen Rollen rückten Kunden- und Missionsorientierung nach vorn, reine Ausführungsfähigkeit nach hinten. Hinweise auf den Umgang mit KI-Werkzeugen kamen 2024 in rund 5 bis 7 Prozent der Bewertungen vor, 2026 drei- bis viermal so oft. Eine Mehrheit der Führungskräfte sagt, sie stelle wegen KI für andere Fähigkeiten ein. Genau das meine ich, wenn ich weiter unten frage, woran ihr Seniorität messt.

Die Einstiegsstufe bricht weg. Jetzt die unbequeme Seite. Der Anteil der Junioren in den technischen Abteilungen fiel seit Anfang 2025 von 21 auf 14 Prozent, bei den Neueinstellungen von 27 auf 9 Prozent. Ein Drittel der ML-Manager und ein Fünftel der Software-Manager stellen wegen KI weniger Leute ein. Der Umsatz pro Mitarbeiter liegt nach fünf Jahren beim Zwei- bis Vierfachen von Meta und Google im selben Alter. Die Radiologen-Geschichte stimmt also für den Zweck einer Rolle. Für den Einstieg in einen Beruf stimmt sie derzeit nicht. Und das trifft die Polanyi-Frage im Kern: Wo soll jemand implizites Wissen und Urteilskraft erwerben, wenn die Stufe wegfällt, auf der man sie bisher gelernt hat? Die Autoren sagen offen, dass sie darauf keine Antwort haben.

Der Engpass heißt Aufmerksamkeit. Was die Befragten belastet, deckt sich mit den drei Problemen aus dem Luhmann-Abschnitt. Private, nicht protokollierte Arbeit wird im Unternehmen entmutigt, weil Agenten sichtbaren Kontext brauchen. Das ist meine Latenzzerstörung, nur aus erster Hand. Mitarbeitende beschreiben den Druck, schneller zu werden und Claude für alles zu nutzen. Ein Ingenieur vergleicht das Führen von Agenten mit Babysitting, weil jede Anfrage dieselbe Aufmerksamkeit verlangt. Rund 80 Prozent der interaktiven Sitzungszeit wartet der Agent auf einen Menschen. In nicht-technischen Teams würde allein das Lesen der Claude-Ausgaben mehr als eine halbe Arbeitswoche kosten. Die Meeting-Zeit des mittleren Mitarbeiters ist im Jahresvergleich um 20 Prozent gestiegen, weil die Abstimmung zwischen Menschen nicht weniger wird, sondern mehr. Wenn Wissen billig wird, bleibt menschliche Aufmerksamkeit der knappe Faktor. Eine Führungskraft bringt es im Bericht auf den Punkt: Eine ängstliche Belegschaft arbeitet nicht gut.

Die Organisation entscheidet, auch dort. Anthropic beantwortet die Frage, ob aus freier Zeit mehr Zweck oder weniger Stellen wird, mit zwei Mechanismen. Erstens eine breite Beteiligung der Mitarbeitenden am Unternehmen, denn wer Agenten führt, braucht einen Anteil am Produktivitätsgewinn. Zweitens ein Frühwarnsystem, das je Rolle Nachfrage und Produktivität gegen KI-Fähigkeit und KI-Nutzung beobachtet, um Menschen rechtzeitig in weniger exponierte Rollen zu verschieben. Diese interne Umverteilung hat ihren Preis, etwa Zurückhaltung bei Neueinstellungen, sorgt aber dafür, dass KI neue Aufgaben schafft und nicht nur alte ersetzt. Das ist Organisationsarbeit, keine Technikfrage. Und die Autoren sind ehrlich genug zu sagen, dass Maßnahmen auf Unternehmensebene den Umbruch nicht aufhalten und die Lücke beim Nachwuchs nicht schließen. Umschulung und Einkommenssicherung bleiben politische Aufgaben.

Was du morgen damit anfangen kannst

KI wirft uns auf das zurück, was nur Menschen können. Das klingt nach Sonntagsrede, ist aber praktisch gemeint. Wenn du in deinem Team etwas bewegen willst, würde ich mit vier Dingen anfangen.

Erstens: Hör auf, über Jobverlust zu reden, und fang an, Leute zu befähigen. Huangs Satz dazu ist hart, aber ich teile ihn: Du verlierst deinen Job nicht an eine KI, sondern an jemanden, der KI besser nutzt als du.

Zweitens: Nimm dir eure Rollen vor und trenne Task und Purpose. Welche Aufgaben kann ein Agent übernehmen? Wofür gibt es die Rolle? Die Antwort auf die zweite Frage ist das, was du stärken willst.

Drittens: Überleg, woran ihr Seniorität messt. Wenn Wissen kein Monopol mehr ist, taugt es auch nicht mehr als Aufstiegskriterium. Urteilskraft, der Umgang mit Mehrdeutigkeit und die Fähigkeit zur Diagnose taugen besser. Anthropic bewertet Bewerber inzwischen genau danach, siehe oben.

Viertens: Gib deinen Agenten eine Adresse. Jeder KI-Skill bekommt einen menschlichen Owner, einen Eskalationspfad und vorher vereinbarte Rückgabekriterien. Wenn dein Organigramm dafür keinen Platz hat, sagt das etwas über das Organigramm.

Ein Agent kann Wissen übernehmen. Die Verantwortung bleibt bei dir.

Genau deshalb lohnt es sich, die eigene Rolle neu zu beschreiben.

Quellen

  1. World Economic Forum: Conversation with Jensen Huang, President and CEO of NVIDIA, WEF Annual Meeting 2026. Jensen Huang im Gespräch mit Larry Fink, Davos, 21.01.2026.
  2. Brian Caulfield, NVIDIA Blog: „Largest Infrastructure Buildout in Human History“: Jensen Huang on AI’s „Five-Layer Cake“ at Davos, 21.01.2026. Zusammenfassung des Davos-Gesprächs mit Zitaten zu Radiologen, Pflege, Handwerk, Europa und Pensionsfonds.
  3. This AI Conversation Will Blow Your Mind – Jensen Huang × Sequoia. Jensen Huang im Gespräch mit Konstantine Buhler (Sequoia), hochgeladen am 09.08.2026 vom Kanal Clippexa Hrrr (kein offizieller NVIDIA- oder Sequoia-Kanal).
  4. isb GmbH: 8. isb KI-Forum #LetsTalkAboutKI: Zwischen Menschenbild und Maschinenlogik, 09.06.2026, mit dem Vortrag „Wenn KI den Kontext der Organisation kennt: Rollenbasierte Agenten in der systemischen Praxis“.
  5. Michael Polanyi: The Tacit Dimension, 1966.
  6. Martin M. Broadwell: Teaching for learning (XVI). The Gospel Guardian, 20(41), 1969.
  7. W. Lewis Robinson: Conscious competency – the mark of a competent instructor. Personnel Journal, 53, 538–539, 1974.
  8. Niklas Luhmann: Organisation und Entscheidung, 2000.
  9. Kavanara Blog #015: Warum die Rolle das neue HMI ist, 27.05.2026.
  10. Nathan Wilmers, Regina Catipon, Maxim Massenkoff, Peter McCrory (Anthropic Economics): How employment is changing at Anthropic, 16.10.2026. Technischer Bericht über Einstellungen, Rollenwandel und Agenten-Nutzung in der eigenen Belegschaft.

Dieses Thema beschäftigt dich oder euch im Team?

Lass uns 30 Minuten darüber reden, kostenfrei und unverbindlich.

Erstgespräch vereinbaren