Wie verhindert man, dass Mitarbeiter durch KI-Nutzung Kompetenzen verlieren?

Warum gute Ergebnisse nicht gleich Lernen bedeuten

Kognitive Auslagerung ist an sich nichts Neues und nicht grundsätzlich schädlich: Notizen, Taschenrechner und Suchmaschinen lagern seit Langem geistige Arbeit aus und setzen dabei Kapazität für andere Aufgaben frei. Die entscheidende Frage ist nicht, ob ausgelagert wird, sondern was, wann und mit welcher Rückfallkompetenz. Problematisch wird Auslagerung erst, wenn Menschen nicht mehr erkennen, dass eine Ausgabe falsch ist, oder wenn sie bei Ausfall des Systems die Aufgabe nicht mehr selbst kontrollieren können.

Ein randomisiertes Experiment zu einer unbekannten Programmierbibliothek fand unter KI-Nutzung im Mittel schwächere Ergebnisse beim Konzeptverständnis, beim Code-Lesen und beim Debugging — ein Hinweis darauf, dass vollständige Delegation zwar schnelle Ergebnisse liefert, aber nicht dieselbe Kompetenz aufbaut, dieselben Ergebnisse später selbst zu prüfen oder zu reparieren. Eine Befragung von Wissensarbeitern verband zudem häufigere KI-Nutzung mit geringerer selbstberichteter kritischer Anstrengung. Das ist ein Selbstbericht und kein Beweis für kausalen Kompetenzverlust — aber ein deutliches Signal, die eigene Arbeitsweise zu prüfen.

Sechs Lernmodi mit sehr unterschiedlicher Wirkung

Wie stark eine KI-gestützte Aufgabe Kompetenz erhält oder abbaut, hängt stark davon ab, wie die Interaktion gestaltet ist:

• Sokratischer Tutor: KI fragt und gibt gestufte Hinweise — hoher Lernwert bei guter Gestaltung, Risiko oberflächlicher oder irreführender Fragen
• Konzeptklärung: Mensch fragt nach Prinzip, Beispiel oder Gegenbeispiel — hoher Lernwert
• Eigene Lösung plus Feedback: Mensch löst zuerst, KI kritisiert — hoher Lernwert, aber ein schlechter menschlicher Startpunkt kann das Ergebnis dominieren
• Generation plus Erklärung: KI erzeugt, Mensch erklärt jeden Schritt — mittlerer bis hoher Lernwert, Risiko reinen Nachsprechens ohne echtes Verständnis
• Iterative Delegation: KI löst und repariert fortlaufend — niedriger bis mittlerer Lernwert
• Vollständige Delegation: KI erledigt die gesamte Aufgabe — niedriger Lernwert, wenn ein Lernziel besteht; Kontroll- und Transferkompetenz fehlt

Für Aufgaben ohne Lernziel ist vollständige Delegation völlig legitim. Sobald jedoch jemand eine Fähigkeit aufbauen oder erhalten soll, führt genau dieser Modus am zuverlässigsten zum Kompetenzverlust.

Mindeststandard für Qualifizierungsaufgaben

Wer Lernerhalt ernst nimmt, sollte für Aufgaben mit Lernziel diese sechs Punkte verbindlich machen:

• Lernziel und produktives Ziel getrennt benennen — beides gleichzeitig zu maximieren funktioniert selten
• Vor der Lösung eine Prognose, Skizze oder eigene Hypothese verlangen, statt sofort die KI-Antwort einzuholen
• Gestufte Hinweise statt sofortiger Komplettlösung verwenden
• Erklärungen durch Anwendung in einem neuen Fall prüfen, nicht nur durch Nachsprechen
• Regelmäßig unassistierte Aufgaben und eigene Fehlerdiagnosen durchführen
• Nicht nur das Ergebnis, sondern Begründung, Transfer und Reparaturfähigkeit bewerten

Auch erfahrene Mitarbeiter sind nicht automatisch geschützt

Die randomisierte Mathematikstudie oben ist keine Einzelbeobachtung: Ein separates PNAS-Experiment mit unbegrenzter KI-Hilfe fand in der Übungsphase bessere Ergebnisse, aber 17 Prozent schlechtere Leistung in einer späteren Prüfung ohne KI — ein didaktisch begrenzter Tutor vermied diesen Effekt weitgehend. Dass Erfahrung allein nicht vor Fehleinschätzungen schützt, zeigt die sogenannte "jagged frontier"-Evidenz: Derselbe Nutzer kann mit KI bei passenden Aufgaben deutlich gewinnen und bei unpassenden Aufgaben häufiger falsch liegen, weil er die Grenze der Modellfähigkeit im Einzelfall nicht zuverlässig erkennt. Bei sehr erfahrenen Open-Source-Entwicklern fand eine kontrollierte Studie (METR) sogar eine durchschnittliche Verlangsamung von 19 Prozent trotz positiver Erwartung der Entwickler selbst — ein Hinweis, dass Kontextaufbau und Prüfaufwand den theoretischen Geschwindigkeitsvorteil im konkreten Prozess übersteigen können. Eine Meta-Analyse in Nature Human Behaviour bestätigt zusätzlich: Mensch-KI-Kombinationen sind nicht automatisch besser als der jeweils stärkere Einzelakteur allein. Human-in-the-Loop ist deshalb keine automatische Schutzwirkung — ein Mitarbeiter, der hunderte KI-Entscheidungen pro Tag formal abnickt, übt praktisch weniger Kontrolle aus als ein gut gestalteter Ausnahmeprozess mit klarer Prüfschwelle. Wirksame Aufsicht braucht Zeit, Fachkompetenz, Entscheidungsbefugnis und Zugang zu den nötigen Informationen.

Sieben Kennzahlen für den Kompetenzerhalt

Neben den sechs Gestaltungsregeln oben lohnt sich für Rollen mit hoher fachlicher Verantwortung ein eigenes Kennzahlen-Set:

• Trefferquote bei KI-freien Kontrollaufgaben
• Fehlererkennung in absichtlich fehlerhaften KI-Outputs
• Fähigkeit, Quellen und Annahmen der KI-Ausgabe zu benennen
• Zeit bis zur eigenständigen Lösung eines Ausnahmefalls
• Qualität der Eskalation bei Unsicherheit
• Transferwissen auf neue, unbekannte Fälle
• Anteil blind übernommener KI-Vorschläge

Kein Alarmismus, aber auch kein Wegsehen

Reißerische Schlagzeilen wie „ChatGPT schädigt das Gehirn" beziehen sich meist auf einen kleinen, vorläufigen Preprint zu einer eng begrenzten Schreibaufgabe, der noch nicht unabhängig begutachtet wurde. Eine solche Studie taugt als Hinweis darauf, wie schnell aus vorläufiger Forschung zugespitzte Behauptungen entstehen — nicht als Beleg einer allgemeinen neurologischen Schädigung durch KI-Nutzung. Das ändert aber nichts an der soliden Befundlage aus kontrollierten Lernexperimenten: Wo ein Lernziel besteht, braucht es bewusste Leitplanken, sonst verschiebt sich die tatsächliche Fähigkeit unbemerkt in Richtung des Werkzeugs statt in Richtung der Person.