Arbeitswelt im Wandel

Es gibt Momente in der Geschichte, in denen sich die Spielregeln einer ganzen Epoche verschieben. Aktuell verändert Künstliche Intelligenz, kurz KI, grundlegend die Art und Weise, wie wir Informationen erzeugen, verarbeiten und für Entscheidungen nutzen können. KI greift gleichzeitig in fast alle Branchen, Berufsbilder und Hierarchie-ebenen ein. Buchhalter*innen, Anwält*innen, Softwareentwickler*innen, Marketingfachleute, Strategieberater*innen: Kein Wissensberuf bleibt unberührt.

Frühere technologische Revolutionen haben vor allem körperliche Arbeit automatisiert. Die aktuelle Revolution hingegen, ausgelöst von Generativer KI, insbesondere LLMs, greift in den Kern der Wissensarbeit ein. Diese Modelle zeigen nie zuvor dagewesene Fähigkeiten im Verarbeiten von Informationen, Erkennen von Mustern in Daten oder Generieren von Texten, Sprache und Bildern. Die neuesten Modelle im Be-reich Agentischer KI können potenziell eigenständig Aufgaben ausführen und Entscheidungen auf der Basis vordefinierter Zielfunktionen treffen.

Für leitende Mitarbeiter*innen in Unternehmen stellen sich dadurch zentrale Fragen mit neuer Dringlichkeit. Welche Kompetenzen braucht es, um in diesem Umfeld nicht nur zu bestehen, sondern aktiv Wert zu schaffen? Was unterscheidet Mitarbeiter*innen und Organisationen, die technologische Entwicklungen strategisch gestalten, von jenen, die lediglich auf sie reagieren? Und was bedeutet es, Verantwortung zu tragen, wenn Maschinen zunehmend Aufgaben übernehmen, die bisher menschliches Fachwissen und menschliche Entscheidungsfähigkeit erforderten? Fünf Thesen.

These 1: Neugierde und Anpassungsfähigkeit sind Pflicht.

Die ehrlichste Aussage über Künstliche Intelligenz lautet derzeit vermutlich, dass wir noch nicht genau wissen, wohin diese Entwicklung führen wird. Wir befinden uns in einem offenen gesellschaftlichen und wirtschaftlichen Lernprozess. Gerade deshalb braucht es einen nüchternen und verantwortungsvollen Umgang mit Technologie. Problematisch ist weniger die Unsicherheit als der Eindruck, bereits eindeutige Antworten zu haben, sei es in Form überzogener Visionen oder pauschaler Ablehnung. Was die Gegenwart stattdessen verlangt, ist eine offene und lernorientierte Grundhaltung. Die Kunst ist dabei, Neugierde mit Struktur zu verbinden und im schnellen, gezielten Experimentieren schnell neue Erkenntnisse zu schaffen.

Wer sich nicht ernsthaft mit den Technologien auseinandersetzt, mit denen das eigene Team arbeitet, verliert die Fähigkeit, Qualität zu beurteilen und Richtung zu geben. Anpassungsfähigkeit bedeutet, eigene Arbeitsweisen nicht einmal jährlich, sondern kontinuierlich im Arbeitsalltag zu hinterfragen. Wo Veränderungen nicht aktiv adressiert werden, entstehen Reibungsverluste: Mitarbeiter*innen nutzen unabgesprochen Chatbots, es entstehen parallel unterschiedliche Praktiken ohne gemein-same Standards und Hinterfragen des Nutzens. Der entscheidende Kompetenzsprung im KI-Zeitalter besteht deshalb darin, Unsicherheit in Innovationsprozessen produktiv zu nutzen.

These 2: Urteilsvermögen und die richtigen Fragen machen den Unterschied.

Als GPT-4 das amerikanische Anwaltsexamen im oberen Perzentil bestand, löste das eine Welle der Besorgnis aus. Die Schlussfolgerungen, die daraus gezogen wurden, sind jedoch häufig zu simpel. Was Sprachmodelle mit Bravour beherrschen, ist explizites Wissen. Dieses Wissen war schon immer der am wenigsten schützenswerte Teil professioneller Expertise, lediglich teuer und zeitaufwändig zu erwerben. Ein Studium der Rechtswissenschaften dauert nicht deshalb sechs bis sieben Jahre, weil Gesetzestexte so komplex sind, sondern weil die Entwicklung juristischen Urteilsvermögens Zeit braucht. KI macht explizites Wissen überflüssig günstig. Das Urteilsvermögen bleibt in menschlicher Hand.

Was Maschinen nicht replizieren können, ist implizites Wissen. Michael Polanyi formulierte es präzise: „We can know more than we can tell.“ Es ist das Wissen der Unternehmensberaterin, die im Erstgespräch aus Körpersprache und dem, was nicht gesagt wird, die eigentliche Problemdiagnose ableitet. Es entsteht durch Praxis, durch Scheitern, durch Entscheidungen, deren Konsequenzen man gespürt hat. Hinzu kommt die Fähigkeit, die richtigen Fragen zu stellen. Generative KI ist außerordentlich leistungsfähig darin, Antworten zu geben. Antworten auf falsch gestellte Fragen helfen jedoch wenig weiter. KI generiert auf Basis statistischer Muster aus dem Vergangenen. Der Mensch kann das Ungedachte denken.

These 3: Generalisten und Spezialisten werden gebraucht.

Generalist*innen werden durch KI außerordentlich gestärkt, weil Entscheidungen in komplexen realen Systemen selten eindimensional sind und weil die Integration zwischen Disziplinen menschliche Brücken braucht. Wer Zusammenhänge versteht, ist erheblich besser positioniert als jemand, der nur eine dieser Dimensionen durchdringt. KI kann dabei den Aktionsradius generalistischer Entscheidungen erheblich erweitern und das Verbinden von Themen erleichtern, die früher kaum in einer Hand lagen. Spezialisten sind wertvoll, weil sie implizites Wissen akkumuliert haben, das KI nicht be-sitzt, und weil sie sich nun vollständig auf das konzentrieren können, was KI nicht kann. Hier spielt das Jevons-Paradox eine wichtige Rolle. Wie günstigere Dampfmaschinen nicht zu weniger Kohlekonsum führten, sondern zu mehr, führt etwa günstige-re Softwareentwicklung nicht zu weniger Bedarf an Software. Weil mehr Unternehmen in mehr Bereichen, mit mehr Ideen Software einsetzen können, die ihnen bisher zu teuer war, steigt die Nachfrage nach erfahrenen Spezialisten, die diese wachsende Komplexität architektonisch führen können. Was unter Druck gerät, ist die Mitte des Kompetenzspektrums. Wenn KI den Aufwand zum Erwerb von Grundkenntnissen drastisch reduziert, verliert mittlere Kompetenz ihren strukturellen Schutz. Das Dazwi-schen ist die gefährlichste Position im KI-Zeitalter.

These 4: Kompetenzprofile verschwimmen zunehmend.

Wenn explizites Wissen überall verfügbar ist, verliert klassische Spezialisierung in vielen Bereichen an Bedeutung. Ein Marketingspezialist kann grundlegende Datenanalysen durchführen, ein Produktmanager mittels Vibe-Coding erste Apps bauen. Die Grenzen zwischen Disziplinen werden durchlässiger, weil KI Wissenslücken überbrückt. Tiefe Spezialisierung bleibt dennoch dort entscheidend, wo implizites Wissen und intuitive Urteilsfähigkeit gefragt sind. Für leitende Mitarbeiter*innen bedeutet diese Fluidität ein grundlegendes Umdenken. Statt starre Stellenbeschreibungen zu verteidigen, gilt es, die Flexibilität der eigenen Teams zu fördern. Die strategisch falsche Frage ist, wie viele Mitarbeiter*innen durch KI ersetzt werden können. Die strategisch richtige ist, wie Mitarbeiter*innen durch KI befähigt werden können, wertschöpfungsreichere Aufgaben zu übernehmen.

These 5: KI- und Datenkompetenzen ermöglichen Entscheidungsfähigkeit.

Für Mitarbeiter*innen wird die Fähigkeit wichtig, fundiert zu entscheiden, wann eine Aufgabe sinnvoll an KI delegiert werden kann und wann menschliches Urteil unverzichtbar bleibt. Das setzt kein tiefes Spezialwissen voraus, nicht jeder muss ein Model trainieren können. Jedoch braucht es ein solides Grundverständnis davon, wie Sprachmodelle funktionieren, wie proprietäre Daten gezielt genutzt werden können und wann spezialisierte Modelle leistungsfähiger sind als große universelle Systeme.

Ein Beispiel aus der Softwareentwicklung veranschaulicht das gut. Dort verschiebt sich der Fokus von reinem Implementieren hin zu Architektur, Qualitätssicherung und strategischer Steuerung. KI produziert Code schneller, aber nicht automatisch wart-baren oder sicheren Code. Gerade im Zeitalter des Vibe-Codings wird tiefgehendes Wissen über KI und moderne Softwareentwicklung wichtiger denn je. Auf allen Ebenen gilt dieselbe zentrale Frage: Wann braucht es menschliche Expertise, wo kann KI übernehmen, und wie können Mensch und KI optimal zusammenwirken?

Die gewachsene Bedeutung von Wissenstransfer

Die fünf Thesen basieren auf aktuellen Beobachtungen in der Zusammenarbeit mit Unternehmen sowie auf Erfahrungen aus Forschung und Lehre am Institut für Informatik an der Universität Innsbruck. Sie entstehen in einem Moment, in dem das riesige KI-Experiment bereits läuft. Vielleicht wird sich manches davon in den nächsten Jahren als unzutreffend erweisen. Anderes wird durch die Realität bestätigt werden. Und möglicherweise entstehen Entwicklungen, die unsere heutigen Vorstellungen voll-ständig sprengen.

Die fünf Thesen sollen einen Denkrahmen für Menschen bieten, die in Unternehmen Entscheidungen unter Bedingungen tiefgreifender technologischer Veränderung treffen müssen. Das grundsätzliche Ziel bleibt dabei unverändert: Technologien sinnvoll nutzen, Mitarbeiter*innen weiterentwickeln und Wert schaffen. Neu ist jedoch die Geschwindigkeit, mit der bestehende Gewissheiten infrage gestellt werden. Prozesse und Berufsbilder könnten in ihrer gegenwärtigen Form verschwinden oder sich grund-legend wandeln. Gleichzeitig entstehen neue Formen der Zusammenarbeit zwischen Mensch und Maschine. Das vielleicht Bedeutsamste ist etwas, das sich keiner der fünf diskutierten Thesen allein zuordnen lässt und dennoch alle verbindet: die Fähigkeit, Orientierung zu geben. Sie entsteht durch klares Denken und die Bereitschaft, kontinuierlich dazuzulernen. Dies erfordert gezielten Kompetenzaufbau und es braucht ebenso Offenheit und den Mut, bisherige Annahmen zu überdenken. Genau des-halb ist Wissenstransfer heute wichtiger denn je. Österreich verfügt über leistungsfähige Universitäten, die im KI-Bereich nicht nur mithalten, sondern methodisch neue Wege weisen. Erst kürzlich sorgte die Übernahme von Emmi AI – ein Start-up entstanden im Umfeld der Johannes-Kepler-Universität Linz – durch den führenden europäischen KI-Player Mistral AI für Schlagzeilen. Auch in anderen Forschungsbereichen zeigen datensparsame und strukturzentrierte KI-Modelle, dass Europa einen eigenständigen Kontrapunkt zu den energie- und datenhungrigen LLMs setzen kann. Dieser Ansatz steht auch mit europäischen Werten und regulatorischen Anforderungen im Einklang. Spitzenforschung allein genügt nicht. Sie muss in die Praxis diffundieren. Ko-operative Forschungsprojekte schaffen gemeinsam Innovationen, die weder Wissenschaft noch Praxis allein hervorbringen würden. Unternehmen, die ihre Herausforderungen einbringen, schärfen den Blick der Forschung für das, was tatsächlich zählt. Forscher*innen und Studierende, die an realen Unternehmensproblemen arbeiten, bringen neue Methoden in die Praxis.

Die digitale Zukunft wird nicht allein in Laboren im Silicon Valley entschieden. Sie entsteht dort, wo Neugier auf Erfahrung trifft und Wissen mit Freude an der Umsetzung aktiv verbunden wird. All das ist in Tirol, Österreich und Europa vorhanden.

Text: Julian Just & Ruth Breu