Eine KI kann in Sekunden einen Text entwerfen, Informationen ordnen oder einen Lösungsvorschlag liefern. Damit ist eine Aufgabe weitergekommen. Ob daraus gute Arbeit entsteht, entscheidet sich im nächsten Schritt: Kann jemand beurteilen, ob das Ergebnis stimmt, zum Problem passt und im konkreten Umfeld verantwortbar ist?
Diese Frage beschäftigt mich an der Schnittstelle von Technologie, Ausbildung und betrieblicher Praxis. Den Anlass für diesen Beitrag liefert mein Impuls „Wettbewerbsfaktor Technologie“ bei NextWork Bavaria am 29. Oktober 2026 in München. Das Programm verbindet Technologie, Organisation und Mensch. Genau in diesem Zusammenspiel liegt für mich die entscheidende Aufgabe.
Ich halte wenig davon, die Zukunft der Arbeit auf eine Wette über die Zahl der Menschen zu reduzieren, die irgendwann noch gebraucht werden. Mich interessiert, welche Aufgaben Menschen übernehmen werden, wie sie dabei arbeiten und wie wir sie dafür am besten befähigen. KI und Automatisierung können dabei sehr viel leisten. Wir müssen ihren Einsatz allerdings ebenso sorgfältig gestalten wie die Ausbildung derjenigen, die mit ihnen arbeiten.
Meine These: Technologie wird zum Wettbewerbsfaktor, wenn wir Menschen befähigen, sie sinnvoll einzusetzen. Dafür brauchen wir fachliches Können, Lernbereitschaft und Unternehmen, die beides entwickeln.
Ein Beruf besteht aus vielen Tätigkeiten. Eine Fachkraft sucht Informationen, spricht mit anderen Menschen, untersucht einen Sachverhalt, dokumentiert ihre Arbeit und trifft Entscheidungen. Diese Tätigkeiten lassen sich unterschiedlich gut technisch unterstützen oder automatisieren. Deshalb lohnt es sich, genauer hinzuschauen, wenn von der Ersetzbarkeit eines Berufs die Rede ist.
Auch unter dem Begriff KI versammeln sich verschiedene Werkzeuge. Ein Sprachmodell kann beim Formulieren helfen. Ein auf Messdaten trainiertes System kann Hinweise auf Auffälligkeiten liefern. Ein Robotersystem kann in einem dafür eingerichteten Arbeitsbereich physische Tätigkeiten übernehmen. Die Anforderungen an Daten, Integration, Sicherheit und Qualifikation unterscheiden sich erheblich.
Eine technisch mögliche Unterstützung sagt zudem wenig darüber, ob sie im Alltag wirtschaftlich und zuverlässig funktioniert. Dafür muss eine Lösung zu den vorhandenen Abläufen passen. Jemand muss Daten bereitstellen, Zugriffsrechte klären, Ausnahmen behandeln und prüfen, ob der gesamte Prozess besser geworden ist.
Die ILO erläutert in ihrer Methodenübersicht zu KI-Exposition, warum technische Expositionsmaße für sich genommen weder tatsächliche Stellenverluste noch Produktivitätsgewinne prognostizieren. Sie beschreiben zunächst, welche Aufgaben von KI betroffen sein könnten.
Für die Praxis folgt daraus eine nützliche Reihenfolge: Zuerst verstehen wir die Aufgabe und ihre Randbedingungen. Dann entscheiden wir, welchen Beitrag Technologie leisten soll. Erst anschließend bewerten wir, welche Arbeit wegfällt, welche hinzukommt und welche Fähigkeiten dafür notwendig sind. Diesen Blick auf reale Abläufe habe ich auch im Beitrag über Robotik und Automatisierung beim EDAY in Wien aufgegriffen.
Es gibt gute Gründe für Zuversicht. Die Geschichte der Automatisierung zeigt, dass Technologie menschliche Arbeit ergänzen und neue Nachfrage ermöglichen kann. David Autor erklärt diese Mechanismen in seinem Essay zur Geschichte und Zukunft der Automatisierung. Zugleich verändert sich, welche Tätigkeiten gebraucht und wie sie bezahlt werden. Ein automatisch positiver Arbeitsplatzsaldo folgt daraus nicht.
Auch negative Effekte sind dokumentiert: Acemoglu und Restrepo finden in ihrer Studie zu industriellen Robotern in US-Arbeitsmärkten Beschäftigungs- und Lohnverluste in stärker betroffenen lokalen Arbeitsmärkten. Der Befund betrifft einen bestimmten Technologieeinsatz und Untersuchungsraum. Er ist ebenso wenig ein universelles Gesetz wie die Vorstellung, jede neue Technologie schaffe zwangsläufig mehr Stellen, als sie verdrängt.
Konkrete Produktivitätsgewinne sind ebenfalls messbar. In der Studie „Generative AI at Work“ mit 5.172 Beschäftigten im Kundenservice stieg die Zahl gelöster Anliegen pro Stunde mit KI-Unterstützung im Mittel um 15 Prozent. Besonders profitierten weniger erfahrene beziehungsweise geringer qualifizierte Beschäftigte. Das ist ein Ergebnis aus diesem Einsatzkontext, kein allgemeiner Leistungsfaktor für sämtliche Berufe.
Meine Konsequenz daraus ist praktisch: Wir sollten Verbesserungen dort suchen, wo eine konkrete Aufgabe von KI-Unterstützung profitiert. Anschließend müssen wir das Ergebnis im gesamten Ablauf prüfen. Ein schnellerer Entwurf kann hilfreich sein. Wenn seine Prüfung länger dauert als die zuvor eingesparte Arbeit oder Fehler später teuer werden, sieht die Rechnung anders aus.
Produktivität umfasst deshalb für mich mehr als Tempo. Relevant sind auch Qualität, Zuverlässigkeit, Ressourcenverbrauch und die Fähigkeit, mit Ausnahmen umzugehen. Wer nur die Zahl erzeugter Texte oder ausgeführter Eingaben zählt, weiß noch wenig darüber, ob ein Unternehmen besser arbeitet.
Für Deutschland erwartet Destatis bis Mitte der 2030er-Jahre einen Rückgang der 20- bis 66-Jährigen gegenüber dem Ausgangsstand: um 3,2 Millionen bei hoher und bis zu 4,9 Millionen bei niedriger Nettozuwanderung.
Diese Szenarien beschreiben eine Altersgruppe, keine Stellenlücke. Erwerbsbeteiligung, Migration, Qualifikation, Arbeitszeit und Nachfrage beeinflussen den tatsächlichen Arbeitsmarkt.
International ist die Lage zudem unterschiedlich. Die ILO unterscheidet in ihrem Bericht zu Beschäftigung und sozialen Trends 2026 zwischen alternden Volkswirtschaften und Ländern mit rasch wachsendem Arbeitskräfteangebot, die genügend gute Beschäftigung schaffen müssen. Einen einheitlichen weltweiten Arbeitskräftemangel ab einem bestimmten Jahr sollten wir daraus nicht machen.
Für ein Unternehmen in Deutschland bleibt die Frage dennoch drängend: Wie erhalten wir Leistungsfähigkeit, wenn erfahrene Menschen ausscheiden und Nachwuchs schwer zu gewinnen ist? Technologie kann dabei helfen, knappe Arbeitszeit besser einzusetzen und Wissen zugänglich zu machen. Gleichzeitig müssen Menschen eine realistische Chance erhalten, die erforderlichen Fähigkeiten zu erwerben. Ein Fachkräfteengpass und Schwierigkeiten beim Berufseinstieg können durchaus nebeneinander bestehen.
Nehmen wir ein hypothetisches Beispiel aus einem technischen Betrieb. Eine Anlage zeigt eine Störung. Eine KI-Assistenz kann in freigegebenen Handbüchern suchen, frühere Dokumentationen zusammenfassen und mögliche Ursachen vorschlagen. Das kann die Vorbereitung erleichtern.
Die Fachkraft muss jedoch erkennen, ob die vorgeschlagene Ursache zum tatsächlichen Zustand passt. Sind die Messwerte plausibel? Bezieht sich die Anleitung auf die richtige Ausführung der Anlage? Welche Sicherheitsvorgaben gelten? Welche Prüfung ist zulässig, und wann muss eine andere Person hinzugezogen werden?
| Schritt | Möglicher KI-Beitrag | Menschliche Aufgabe |
|---|---|---|
| Problem eingrenzen | Dokumentation durchsuchen und Hinweise ordnen | Beobachtung, Betriebszustand und Grenzen korrekt beschreiben |
| Ursachen untersuchen | Hypothesen und passende Fundstellen vorschlagen | Messwerte prüfen und ungeeignete Vorschläge verwerfen |
| Vorgehen auswählen | Relevante Unterlagen zugänglich machen | Sicherheit, Zuständigkeit und zulässige Maßnahmen beurteilen |
| Ergebnis dokumentieren | Einen Berichtsentwurf strukturieren | Tatsächliche Maßnahmen und Befunde nachvollziehbar festhalten |
Das Beispiel ist keine Beschreibung eines Kundenprojekts und enthält keine gemessene Einsparung. Es zeigt, welche Fragen ein Unternehmen beantworten sollte, bevor es aus einer technischen Möglichkeit einen neuen Arbeitsablauf macht.
Besonders interessant wird der Fall für die Ausbildung. Ein Berufseinsteiger könnte zunächst eigene Hypothesen formulieren, anschließend den KI-Vorschlag prüfen und seine Entscheidung mit einer erfahrenen Fachkraft besprechen. So übt er den Umgang mit dem Werkzeug und entwickelt zugleich fachliche Urteilskraft. Die Qualität des Lernens zeigt sich daran, ob er erklären kann, warum ein Vorschlag passt oder verworfen werden muss.
Dass eine Antwort verfügbar ist, ersetzt diese Fähigkeit nicht. Ein ordentlich formulierter Störungsbericht allein macht noch niemanden zur erfahrenen Instandhaltungsfachkraft. Das Werkzeug kann einen Lernweg unterstützen. Den Lernweg gestalten müssen wir selbst.
Ich würde die Diskussion über Future Skills an sechs miteinander verbundenen Feldern ausrichten. Das ist ein praktischer Ordnungsrahmen, keine unveränderliche Rangliste. Die OECD-Synthese „Skills in the AI age“ unterstreicht die Bedeutung solider Grundlagen sowie digitaler und ergänzender Fähigkeiten. Welche technische Tiefe jemand benötigt, hängt von der jeweiligen Tätigkeit ab.
Eine hilfreiche Frage zu formulieren verlangt oft bereits Verständnis. Wer einen technischen Vorschlag beurteilen soll, braucht fachliche Maßstäbe. Wer eine statistische Aussage verwendet, muss Größenordnungen und Unsicherheit einordnen können. Deshalb würde ich solide Grundlagen in einer Ausbildung stärken und ihren Bezug zur Anwendung deutlicher machen.
Im Beispiel der Störungssuche bedeutet das: Eine Person versteht, wie das System grundsätzlich funktioniert und welche Beobachtung welche Ursache plausibel macht. Das Wissen ermöglicht eine Prüfung, die über den Eindruck hinausgeht, der Text klinge überzeugend.
Technologie lässt sich leichter sinnvoll einsetzen, wenn das Anliegen klar beschrieben ist. Was soll besser werden? Wo beginnt die Aufgabe, wo endet sie? Welche Übergaben an andere Menschen oder Systeme gehören dazu?
Diese Fragen verbinden technische mit organisatorischen Fähigkeiten. Eine lokal schnelle Lösung kann an einer nachfolgenden Schnittstelle neue Arbeit erzeugen. Menschen sollten solche Zusammenhänge erkennen und ihre Anforderungen verständlich formulieren können.
Nicht jeder muss ein Modell entwickeln oder programmieren. Für viele Tätigkeiten zählt zunächst, ein geeignetes Werkzeug auszuwählen, den nötigen Kontext bereitzustellen und Ergebnisse kritisch zu prüfen. Dazu gehört, zu erkennen, welche Informationen verwendet werden dürfen und wann eine andere Vorgehensweise sinnvoller ist.
Prompting hat darin seinen Platz. Es ist ein Teil der Anwendungskompetenz. Wer einen guten Arbeitsablauf entwickeln möchte, muss zusätzlich Daten, Schnittstellen, Qualität und Verantwortung berücksichtigen. Für spezialisierte technische Rollen kommt entsprechend tiefes Wissen hinzu.
Die entscheidende Lernaufgabe kann darin bestehen, einen plausiblen Fehler zu entdecken. Warum ist die vorgeschlagene Berechnung ungeeignet? Welche Annahme fehlt? Welche Quelle müsste geprüft werden?
Ich würde solche Aufgaben ausdrücklich in Ausbildung und Weiterbildung einbauen. Entscheidend ist die begründete Entscheidung. Ein Häkchen unter einer automatisch erzeugten Antwort ist nur dann eine sinnvolle Prüfung, wenn die prüfende Person verstehen und widersprechen kann.
Neue Werkzeuge verändern oft die Arbeit mehrerer Beteiligter. Fachbereiche, Technik, Führung und die Menschen im betroffenen Prozess müssen miteinander sprechen können. Dazu braucht es verständliche Erklärungen und die Bereitschaft, Fragen aus einer anderen Perspektive ernst zu nehmen.
Mein Vorschlag einer verständlichen Ein-Seiten-Erklärung für öffentlich geförderte Technologie im New-York-/UN-Beitrag folgt derselben Überzeugung: Wer mitgestalten soll, muss verstehen können, worüber entschieden wird. In Unternehmen lässt sich dieser Anspruch auf Ziele, Grenzen und Zuständigkeiten eines KI-Einsatzes übertragen.
Bereitschaft zum Lernen heißt für mich, neue Technologien auszuprobieren, Fragen zu stellen und die eigene Arbeitsweise weiterzuentwickeln. Dazu gehört auch, einen Versuch begründet abzubrechen oder ein Werkzeug für eine bestimmte Aufgabe abzulehnen.
Diese Haltung ist keine Frage des Geburtsjahres. Auch im Beitrag „KI mit über 60“ geht es um Neugier, kritisches Prüfen und die Möglichkeit, sich selbst eine Meinung zu bilden. Berufliche Weiterbildung sollte denselben Zugang ermöglichen. Gleichzeitig sollten Menschen die Grundlagen ihrer Arbeit so beherrschen, dass sie bei einer unbrauchbaren Ausgabe oder einem Ausfall sinnvoll reagieren können.
In meinen Marktgesprächen nehme ich eine Ernüchterung gegenüber der Idee wahr, KI könne Berufseinsteiger einfach überflüssig machen. Diese persönliche Wahrnehmung ist keine Arbeitsmarktstatistik. Für meine Forderung nach guter Nachwuchsausbildung brauche ich allerdings auch keinen behaupteten allgemeinen Einstellungsumschwung.
Die aktuelle Stanford-Auswertung „Canaries in the Coal Mine?“ zeigt bei 22- bis 25-Jährigen in KI-exponierten US-Berufen weiterhin eine ungünstigere Beschäftigungsentwicklung als bei weniger exponierten Gleichaltrigen, vor allem durch geringere Einstellungen. Die Autoren bezeichnen die Muster als deskriptiv; ein eindeutiger KI-Kausalnachweis oder eine Aussage über alle deutschen Juniorstellen ist damit nicht verbunden.
Wer in einigen Jahren erfahrene Fachleute braucht, muss heute Lerngelegenheiten schaffen. Wenn Einstiegsaufgaben verändert werden, muss sich auch der Erfahrungsaufbau verändern. Es reicht nicht, Aufgaben zu automatisieren und später über fehlende Erfahrung zu klagen.
Eine kompetenzorientierte Ausbildung würde ich daran messen, was jemand fachkundig tun und erklären kann. Das kann eine begründete Diagnose sein, eine nachvollziehbare Analyse oder ein verantwortbar ausgeführter Arbeitsschritt. Solche Fähigkeiten benötigen Wissen, Übung und Rückmeldung. Ein Kursnachweis oder ein überzeugendes Ergebnis allein erzählt darüber noch nicht genug.
KI kann innerhalb dieses Lernens eingesetzt werden: für alternative Erklärungen, für den Vergleich verschiedener Lösungswege oder für Übungsaufgaben. Ich würde sie über die Ausbildung hinweg an passenden Stellen verwenden. Lernende sollten dabei auch Fehler finden, Grenzen kennenlernen und eigene Entscheidungen erläutern.
Mentorinnen und Mentoren bekommen eine anspruchsvolle Rolle. Sie müssen erkennen, ob jemand einen Vorgang verstanden hat oder vor allem eine plausible Ausgabe wiedergeben kann. Dafür eignen sich Rückfragen, veränderte Randbedingungen und Aufgaben, bei denen der Lösungsweg sichtbar wird. Eine Arbeitsprobe darf durchaus mit KI entstehen. Anschließend sollte die Person ihre Entscheidung verteidigen und auf neue Informationen reagieren können.
Lernen endet zudem nicht mit dem ersten Abschluss. Eine erfahrene Fachkraft bringt wertvolles Wissen mit und benötigt möglicherweise Unterstützung bei einem neuen Werkzeug. Ein Berufseinsteiger kann mit der Bedienung vertraut sein und muss erst noch fachliche Tiefe entwickeln. Beide benötigen passende Lerngelegenheiten. Aus dem Etikett „digital“ lässt sich kein vollständiges Kompetenzprofil ableiten.
Lernbereitschaft lässt sich verlangen. Ohne Lernzeit und geeignete Bedingungen bleibt die Forderung jedoch schnell folgenlos. Deshalb sehe ich Kompetenzentwicklung als Teil der Investition in Technologie.
Wer ein neues System einführt, sollte bereits dabei klären, wer welche Aufgaben künftig übernimmt und wie die Beteiligten dafür qualifiziert werden. Diejenigen, die einen Prozess täglich ausführen, können wichtige Hinweise auf Ausnahmen, unnötige Übergaben und praktische Hürden geben. Dieses Wissen gehört früh in die Gestaltung.
Auch Wirtschaftlichkeit verdient einen vollständigen Blick. Neben dem Werkzeug gehören Integration, Betrieb, Prüfung, Fehlerbehandlung und Qualifizierung in die Betrachtung. Das gilt für einen KI-Assistenten ebenso wie für eine Automatisierungslösung mit physischer Hardware. Die reine Anschaffung sagt wenig über den späteren Nutzen.
Für einen begrenzten Pilot würde ich wenige, nachvollziehbare Erfolgskriterien vereinbaren: Wird die Aufgabe zuverlässig erledigt? Verbessert sich die Qualität? Welcher Aufwand entsteht über den gesamten Prozess? Können die Beteiligten mit Ausnahmen umgehen? Und wie erleben sie ihre Arbeit?
Ebenso gehört die Verwendung gewonnener Zeit auf den Tisch. Ein Unternehmen kann mehr Leistung anbieten, Qualität verbessern, Mitarbeitende entlasten oder neue Aufgaben erschließen. Welche Kombination sinnvoll ist, sollte bewusst entschieden werden. Sonst droht aus einer technischen Erleichterung eine neue Verdichtung der Arbeit zu werden.
Zu verantwortlicher Gestaltung gehören außerdem klare Zuständigkeiten und ein Weg, Probleme zu melden. Meine Überlegungen zu Robotic & AI Governance setzen hier an: Fähigkeiten eines Systems, Grenzen seines Einsatzes und menschliche Verantwortung müssen zusammenpassen.
Menschen bleiben in vielen Abläufen für Ziele, Entscheidungen, Betrieb und Verantwortung wichtig. Allein die Anwesenheit eines Menschen macht einen Prozess jedoch noch nicht gut beherrscht. Ich würde vier Bedingungen prüfen: Versteht die Person die Aufgabe? Hat sie die nötigen Informationen? Hat sie genügend Zeit? Darf und kann sie eingreifen?
Fehlt eine dieser Voraussetzungen, kann Aufsicht zu einer bloßen Formalität werden. Wer eine Ausgabe nur noch weiterreichen soll, ohne sie fachlich beurteilen zu können, trägt keine sinnvoll ausgestaltete Kontrollfunktion.
Daraus folgt keine Pflicht, jeden automatisierten Arbeitsschritt manuell abzuzeichnen. Der Umfang menschlicher Beteiligung sollte zur Aufgabe und ihren Folgen passen. Ebenso wenig lässt sich aus Wartung und Aufsicht allein errechnen, wie viele Arbeitsplätze insgesamt entstehen werden.
Meine Zuversicht richtet sich darauf, was gut qualifizierte Menschen mit passenden Werkzeugen erreichen können. Für Experten kann KI eine erhebliche Unterstützung sein. Welche Aufgaben und Stellen sich verändern, bleibt trotzdem eine konkrete wirtschaftliche und organisatorische Frage. Eine pauschale Arbeitsplatzgarantie wäre kein hilfreicher Rat.
Für den Einstieg braucht es einen überschaubaren Arbeitsauftrag. Ich würde mit einem vorhandenen Prozess beginnen und diese Schritte gemeinsam durchgehen:
Beschäftigte können diese Fragen auf ihre eigene Arbeit übertragen. Welche wiederkehrende Aufgabe kostet Zeit? Woran erkennen sie ein gutes Ergebnis? Welches Wissen brauchen sie für die Prüfung? Ein kleiner, mit dem Betrieb abgestimmter Versuch kann darüber mehr lehren als eine Sammlung allgemeiner Zukunftsprognosen.
Für Berufseinsteiger lautet mein Rat, die Verbindung aus Werkzeugkenntnis und fachlicher Tiefe zu suchen. Ausprobieren, Ergebnisse überprüfen, den eigenen Lösungsweg erklären und Rückmeldung einholen: Damit lässt sich berufliches Können sichtbar entwickeln.
Ich rechne damit, dass Menschen auch mit kommenden Technologien eine zentrale Rolle in der Arbeitswelt spielen werden. Wie gut sie diese Rolle ausfüllen können, hängt von unseren Entscheidungen ab. Die Bezeichnung der nächsten Technologie ändert wenig an der Aufgabe, Menschen für ihren sinnvollen Einsatz zu qualifizieren.
Deshalb möchte ich lebenslanges Lernen konkreter fassen: als Zeit zum Üben, Zugang zu passenden Werkzeugen, solide Grundlagen und Rückmeldung durch Menschen, die ihr Fach verstehen. Kompetenzorientierung bedeutet für mich, diese Voraussetzungen in nachvollziehbares berufliches Handeln zu übersetzen.
Unternehmen, Bildungseinrichtungen und Beschäftigte haben daran jeweils ihren Anteil. Ich möchte, dass wir die technischen Möglichkeiten nutzen und zugleich die Fähigkeit erhalten, zu verstehen, zu entscheiden und Verantwortung zu übernehmen. Dort liegt für mich der Wettbewerbsfaktor Technologie.
Future of Work beschreibt hier, wie sich Aufgaben, Zusammenarbeit, Qualifikationen und Arbeitsbedingungen durch neue Technologien verändern. Für Unternehmen geht es um die Gestaltung konkreter Abläufe. Für Beschäftigte geht es darum, welche Tätigkeiten sie übernehmen und welche Fähigkeiten sie dafür entwickeln. Der Begriff bezeichnet keine einzelne feststehende Zukunft.
KI kann Tätigkeiten übernehmen und dadurch auch Stellen verändern oder verdrängen. Gleichzeitig kann sie menschliche Arbeit unterstützen und neue Aufgaben ermöglichen. Entscheidend sind der Einsatzfall, die wirtschaftliche Nachfrage und organisatorische Entscheidungen. Eine Prognose über technische Möglichkeiten ist deshalb noch keine gemessene Zahl künftiger Stellenverluste. Die Forschungsquellen im Artikel erläutern diese Unterscheidung.
Ich würde Fachwissen, Problemverständnis, KI- und Datenkompetenz, Urteilskraft, Zusammenarbeit und Lernfähigkeit gemeinsam entwickeln. Welche Mischung erforderlich ist, hängt von der Tätigkeit ab. Eine gute Lernaufgabe verbindet die Anwendung eines Werkzeugs mit einer fachlichen Prüfung: Die Person sollte erklären können, was sie übernommen, verändert oder verworfen hat und warum.
Für viele Rollen reicht eine zur Aufgabe passende Anwendungskompetenz. Menschen sollten geeignete Werkzeuge nutzen, Ergebnisse prüfen und Grenzen erkennen können. Wer Systeme entwickelt, integriert oder sicher betreibt, benötigt entsprechend tiefere technische Kenntnisse. Aus der allgemeinen Bedeutung von KI folgt kein einheitliches Ausbildungsziel für sämtliche Berufe.
Erfahrung entsteht durch Lernen und verantwortete Praxis. Unternehmen, die später erfahrene Fachleute benötigen, sollten diesen Aufbau ermöglichen. Veränderte Einstiegsaufgaben verlangen angepasste Lernwege, etwa eigene Lösungsversuche, KI-gestützte Vergleiche und fachliche Rückmeldung. Das ist eine strategische Forderung an Ausbildung und Personalentwicklung, keine Garantie für die Einstellungslage jedes Berufs.
Sie richtet den Blick darauf, ob jemand eine berufliche Aufgabe fachkundig lösen und seine Entscheidungen begründen kann. Wissen, Übung und Rückmeldung gehören dazu. Ein möglicher Nachweis ist eine Arbeitsprobe mit anschließenden Rückfragen und veränderten Randbedingungen. KI kann dabei eingesetzt werden; die Beurteilung sollte auch das eigene Verständnis und die Handlungsfähigkeit erfassen.
Ich empfehle verlässliche Lernzeit, geeignete Werkzeuge, realistische Aufgaben und erreichbare fachliche Begleitung. Weiterbildung sollte an konkreten Aufgaben ansetzen und unterschiedliche Vorkenntnisse berücksichtigen. Wichtig ist auch eine Kultur, in der Fragen und begründete Einwände möglich sind. Die Verantwortung für Qualifizierung lässt sich damit zwischen Unternehmen und Beschäftigten praktisch gestalten.
Der Ausdruck bezeichnet eine menschliche Beteiligung an einem ansonsten teilweise automatisierten Ablauf. Sinnvoll ist sie, wenn eine Person die Aufgabe versteht, relevante Informationen und ausreichend Zeit hat und tatsächlich eingreifen kann. Welche Beteiligung erforderlich ist, hängt von der Aufgabe ab. Eine formale Bestätigung ohne eigene Prüfung schafft noch keine verlässliche Kontrolle.
KI kann helfen, vorhandene Arbeitszeit wirksamer einzusetzen. Sie löst jedoch nicht automatisch Qualifikations-, Zugangs- oder Personalprobleme. Der demografische Rückgang der Bevölkerung im Erwerbsalter erhöht den Handlungsdruck; er ist keine unmittelbare Prognose unbesetzter Stellen. Qualifizierung, gute Arbeitsbedingungen und sinnvolle Prozessgestaltung bleiben deshalb eigenständige Aufgaben.
Wählen Sie eine klar begrenzte Aufgabe und stimmen Sie den Versuch mit den zuständigen Personen ab. Beschreiben Sie ein gutes Ergebnis, geeignete Daten und notwendige Prüfungen. Vergleichen Sie anschließend Qualität und Gesamtaufwand mit dem bisherigen Vorgehen. Halten Sie fest, was Sie gelernt haben und welche Fähigkeiten für einen verlässlichen Einsatz noch fehlen.
Dominik Bösl
Olympiastrasse 6a
DE-86179 Augsburg
E-Mail info@boesl.org
Impressum Datenschutz ©2026 | Dominik Bösl. Alle Rechte vorbehalten.