Industriearbeit wurde in der Vergangenheit akribisch (Stichwort: REFA) auf Verschwendungspotenziale untersucht. Ganze Wertstromanalysen wurden beispielsweise betrachtet, um Lean Production oder später Lean Management in der Organisation zu etablieren. Auch das Agile Arbeiten, beispielsweise in Form des Agilen Projektmanagements, hat das Ziel, sich nur auf den Value für den User (Scrum) zu fokussieren. Das Scrum-Framework entstand immerhin aus der Überlegungen, Wissensarbeit besser zu organisieren (Hirotaka Takeuchi und Ikujiro Nonaka).
Es verwundert daher doch etwas, dass aus einer Studie von Asana aus dem Jahr 2023 hervorgeht, dass der Anteil der „Arbeit rund um die Arbeit“ bei Wissensarbeit immer noch erheblich ist. In der genannten Studie wurden fast 10.000 Wissensarbeiter befragt.
Dabei wird der Begriff „Arbeit rund um die Arbeit“ wie folgt beschrieben: „Tätigkeiten, die der wichtigen Arbeit Zeit entziehen, darunter die Kommunikation über die Arbeit, die Suche nach Informationen, das Wechseln zwischen verschiedenen Apps, die Bewältigung wechselnder Prioritäten und die Statusnachverfolgung von Arbeitsvorgängen“ (Asana 2025).
„Laut dem Bericht zur Anatomie der Arbeit von Asana [Anmerkung Robert Freund: aus dem Jahr 2023] werden 60 % der Arbeitszeit einer Person für „Arbeit rund um die Arbeit“ und nicht für Facharbeit aufgewendet“ (ebd.).
Bei Studien sollte man immer etwas kritisch sein, denn Asana ist selbst Anbieter einer Work-Management Plattform mit vielen Apps – möglicherweise tragen diese sogar auch zu dem Verschwendungspotenzial bei.
Wenn es darum geht, die Auswirkungen der Künstlichen Intelligenz auf den Arbeitsmarkt zu prognostizieren, kommt es – wie immer – darauf an, wen man fragt.
Die eher technikorientierten Unternehmen verkaufen die angestrebte AGI (Artificial General Intelligence) als das non plus ultra der Intelligenzentwicklung. Dabei prognostizieren diese Unternehmen, dass AGI den menschlichen Fähigkeiten (Intelligenzen) überlegen sein wird. Daraus folgt zwingend, dass KI wohl alle arbeitsbezogenen Tätigkeiten in der nahen Zukunft übernehmen kann. Diese Argumentation erinnert mich an so viele Versprechen der Technik-Unternehmen; beispielsweise an die Unsinkbarkeit der Titanic oder die „100%-ige“ Sicherheit von Kernkraftwerken, oder an die Verheißungen der Internetpioniere. Technologie muss wohl in dieser Form verkauft werden (Storytelling) – immerhin geht es ja um Investoren und sehr viel Geld. Ich weiß natürlich, dass diese Vergleiche „hinken“, dennoch …
Betrachten wir Künstliche Intelligenz mit seinen Möglichkeiten aus der eher gesamtgesellschaftlichen Perspektive, so sieht das etwas anders aus. Hier geht es darum, mit Hilfe der Künstlichen Intelligenz gesellschaftliche Probleme zu lösen, zum Wohle aller. Die Idee der japanischen Society 5.0 kommt diesem Anspruch sehr nahe. Da ich darüber schon verschiedene Blogbeiträge veröffentlich habe, gehe ich darauf nicht weiter ein. Siehe dazu beispielhaft Worin unterscheiden sich Industry 5.0 und Society 5.0?
Wie ist es dennoch möglich herauszufinden, wie sich Künstliche Intelligenz auf dem Arbeitsmarkt bemerkbar macht, bzw. machen wird?
Als Leser unseres Blogs wissen Sie, dass ich bei solchen Fragestellungen immer dazu tendiere, belastbare wissenschaftliche Studien von unabhängigen Forschern heranzuziehen. Eine dieser Studie ist folgende. Darin sind sehr ausführlich Vorgehensweise, Datenanalysen und Erkenntnisse dargestellt, mit einer zu beachtenden Einschränkung: Es geht um den amerikanischen Arbeitsmarkt.
„First, we find substantial declines in employment for early-career workers in occupations most exposed to AI, such as software development and customer support.
Second, we show that economy-wide employment continues to grow, but employment growth for young workers has been stagnant.
Third, entry-level employment has declined in applications of AI that automate work, with muted effects for those that augment it.
Fourth, these employment declines remain after conditioning on firm-time effects, with a 13% relative employment decline for young workers in the most exposed occupations
Fifth, these labor market adjustments are more visible in employment than in compensation.
Sixth, we find that these patterns hold in occupations unaffected by remote work and across various alternative sample constructions“
Source: Brynjolfsson et al. (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence | PDF
Herausheben möchte ich hier, dass gerade junge Menschen, die in den Arbeitsmarkt kommen und noch keine domänenspezifische Expertise entwickeln konnten, von Künstlicher Intelligenz betroffen sind. Das ist in mehrerer Hinsicht bemerkenswert.
Einerseits scheint Expertise nicht so leicht durch KI ersetzbar zu sein, was wiederum für erfahrene, auch ältere Mitarbeiter spricht. Diese sollten natürlich Künstliche Intelligenz nutzen und nicht ablehnen.
Conceptual technology illustration of artificial intelligence. Abstract futuristic background
KI-Anwendungen basieren oft auf Trainingsdaten, sogenannter Large Language Models (LLM). Um die Leistungsfähigkeit und die Qualität der Antworten von solchen Systemen zu verbessern, wurde inzwischen ein „Denkprozess“ (Reasoning) vor der Ausgabe der Antwort vorgeschaltet. Siehe dazu ausführlicher What are Large Reasoning Models (LRMs)?
Die Frage stellt sich natürlich: Liefern LRMs wirklich bessere Ergebnisse als LLMs?
In einem von Apple-Mitarbeitern veröffentlichten, viel beachteten Paper wurde nun die Leistungsfähigkeit nicht aufgrund logisch-mathematischer Zusammenhänge alleine untersucht, sondern anhand von drei Komplexitätskategorien – mit überraschenden Ergebnissen:
„Recent generations of language models have introduced Large Reasoning Models (LRMs) that generate detailed thinking processes before providing answers.. (…) By comparing LRMs with their standard LLM counterparts under same inference compute, we identify three performance regimes: (1) low-complexity tasks where standard models outperform LRMs, (2) medium-complexity tasks where LRMs demonstrates advantage, and (3) high-complexity tasks where both models face complete collapse“
Source: Shojaee et al. (2025): The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity.
In Zukunft werden immer mehr hoch-komplexe Problemlösungen in den Mittelpunkt von Arbeit rücken. Gerade in diesem Bereich scheinen LLMs und sogar LRMs allerdings ihre Schwierigkeiten zu haben. Ehrlich gesagt, wundert mich das jetzt nicht so sehr. Mich wundert eher, dass das genannte Paper die KI-Welt so aufgewühlt hat 🙂 Siehe dazu auch Was sind eigentlich Multi-Kontext-Probleme?
Sicher werden die Tech-Unternehmen der KI-Branche jetzt argumentieren, dass die nächsten KI-Modelle auch diese Schwierigkeiten meistern werden. Das erinnert mich an unseren Mercedes-Händler, der ähnlich argumentierte, sobald wir ihn auf die Schwachstellen des eingebauten Navigationssystems hingewiesen hatten: Im nächsten Modell ist alles besser.
Technologiegetriebene Unternehmen – insbesondere KI-Unternehmen – müssen wohl so argumentieren, und die Lösungen in die Zukunft projizieren – Storytelling eben, es geht immerhin um sehr viel Geld. Man muss also daran glauben….. oder auch nicht.
Böhle et al. 2011:21; entnommen aus Huchler 2016:62
In dem Blogbeitrag Arbeitshandeln enthält explizites und implizites Wissen aus dem Jahr 2016, habe ich die Zusammenhänge zwischen Arbeitshandeln und dem expliziten „objektivierbaren“ Wissen, bzw. impliziten subjektivierenden“ Wissen dargestellt und erläutert.
Setzen wir doch einmal diese Zusammenhänge neu in Verbindung mit den Diskussionen darüber, ob Künstliche Intelligenz Arbeitsplätze, oder ganze Berufe ersetzen wird. Es wird dabei gleich deutlich, dass es in der Diskussion nicht darum geht, Arbeitsplätze oder Berufe durch Künstliche Intelligenz zu ersetzen, sondern darum, das Arbeitshandeln unter den neuen technologischen Möglichkeiten zu untersuchen.
Nach Böhle (2011) zeigen technische und organisatorische Komplexität Grenzen der wissenschaftlich-technischer Beherrschung auf, und zwar in Bezug auf Unwägbarkeiten im Arbeitshandeln.
Sind Unwägbarkeiten die Normalität, benötigt das Arbeitshandeln das Erfahrungswissen von Personen (Subjekte), im Sinne des erfahrungsgeleiteten-subjektivierenden Handelns (vgl. Böhle 2011).
Die Tech-Konzerne argumentieren mit ihren neuen und neuesten KI-Modellen, dass Technologie das gesamte Arbeitshandeln in diesem Sinne einmal abbilden kann. Diese Perspektiven sind möglicherweise für die schnelle Marktdurchdringung und für das Einsammeln von Kapital wichtig (Storytelling), doch greift dieser Ansatz bisher nur bei sehr begrenzten Tätigkeitsportfolios komplett.
Natürlich wird weiter argumentiert, dass sich die Technik weiterentwickelt und es nur eine Frage der Zeit ist, bis das komplette Arbeitshandeln technologisch abgebildet ist. Es ist durchaus zu erkennen, dass KI-Modelle durchaus in der Lage sind bestimmte Merkmale des subjektivierenden Arbeitshandeln abbilden kann. Daraus entstand auch der Glaube an eine Art Allgemeine Generelle Intelligenz (AGI), die der menschlichen Intelligenz überlegen sei.
Durch solche Ideen verschiebt sich der Nachweis für die aufgestellte These immer weiter in die Zukunft, und wird zu einem Glaubensbekenntnis. Möglicherweise handelt es sich bei dem geschilderten Denkmuster um eine Art Kategorienfehler?
Ähnlich kann auch für das Management argumentiert werden (siehe Abbildung), das sich von einem Management 1.0 (Command and Control, wissenschaftlich) zum Management 2.0 (Markt-Strategien, add on Tools) weiterentwickelt hat, und über das Management 3.0 Komplexität, wissenschaftliche Analogien) zu Management 4.0 (Komplexität als Geschenk, vernetzte Modelle) weiterentwickelt hat. Dabei ist zu beachten, dass in Organisationen oftmals Arbeit 1.0-4.0 und Management 1.0-4.0 vorhanden sind.
Wie in der Abbildung weiterhin zu erkennen ist, stellt das Agile Manifest (Manifest für agile Softwareentwicklung) aus dem Jahr 2001 einen Vorschlag dar, besser mit Komplexität umzugehen. Daraus ist wiederum das Framework Scrum entstanden, wobei der Begriff Scrum in einem Paper aus dem Jahr 1986 geprägt wurde.
Hybride Szenarien und Transformationsansätze (Schaffitze/Fore 2020:31)
In gewachsenen Organisationen sind Arbeitsformen dominant, die auf Routinearbeit ausgerichtet sind, und ein entsprechendes Mindset ergeben. Agile Arbeitsformen sind anders, da sie in einem eher turbulenten Umfeld komplexe Problemlösungen anbieten – mit allen Konsequenzen für Organisationen.
Beide Elemente werden im Projektmanagement deutlich. Oftmals müssen beide Arbeitsformen in eine Gesamtstruktur überführt werden. Dabei stellt sich die Frage, wie agile und klassische Arbeitsformen in einer hybriden Gesamtstruktur erfolgreich sein können.
In der Tabelle sind dazu drei Hybride Szenarien mit dem jeweiligen Transformationsansatz, der Skalierungsmöglichkeit und der Bewertung möglicher Organisationsveränderungen dargestellt.
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen, Projektmanager/in (IHK) und Projektmanager/in Agil (IHK), die wir an verschiedenen Standorten anbieten. Weitere Informationen zu den Lehrgängen und zu Terminen finden Sie auf unserer Lernplattform.
Immer mehr Arbeiten sind wissensintensiv und unterscheiden sich somit von anderen Arbeitsweisen in Organisationen. Dabei gibt es oftmals einen branchenspezifischen Mix an Arbeit (BMAS 2015):
Arbeiten 1.0 bezeichnet die beginnende Industriegesellschaft und die ersten Organisationen von Arbeitern.
Arbeiten 2.0 ist die beginnende Massenproduktion und die Anfänge des Wohlfahrtsstaats am Ende des 19. Jahrhunderts.
Arbeiten 3.0 umfasst die Zeit der Konsolidierung des Sozialstaats und der Arbeitnehmerrechte auf Grundlage der sozialen Marktwirtschaft.
Arbeiten 4.0 wird vernetzter, digitaler und flexibler sein. Wie die zukünftige Arbeitswelt im Einzelnen aussehen wird, ist noch offen. Seit Beginn des 21. Jahrhundert stehen wir vor einem erneuten grundlegenden Wandel der Produktionsweise.
Die heutige Wissensarbeit unterscheidet sich in vielen Dimensionen von klassischer Routinearbeit in der Industriegesellschaft.
Die Abbildung zeigt verschiedene Typen von Arbeit, die in einem Fragebogen abgefragt werden können. In der Darstellung ist zu erkennen, dass in diesem Beispiel sequenzielles Arbeiten und standardisierte Abläufe eher niedrig bewertet werden – also kaum Bestandteil der Arbeit sind. Demgegenüber sind alle anderen Arbeitstypen sehr stark (hoch) ausgeprägt. Das deutet auf wissensintensive Arbeit hin.
Arbeiten ist heute eingebettet in digitale Prozesse, und verändert sich dadurch erheblich. In einer digitalen (Arbeits-) Welt werden über Qualifikationen hinaus daher entsprechende Kompetenzen benötigt, um selbstorganisiert komplexe Problemstellungen zu lösen – Kompetenz als Selbstorganisationsdisposition. In einer Metaanalyse des MÜNCHNER KREIS-Arbeitskreis „Arbeit in der digitalen Welt“ (2020, S. 4ff.) wurden sechs Kompetenzfelder als Basiskompetenzen zusammengefasst:
Personenbezogene Kompetenzen
Selbstorganisation, Lernfähigkeit
Soziale Kompetenzen
Kommunikation, Teamfähigkeit
Mensch-Maschine-Interaktion (MMI) Kompetenzen
Umgang mit Daten, Technologien, Wissen
Prozesskompetenz
Kritisches Denken, Problemlösefähigkeit
Lösungskompetenz
Kreativität, Transdiziplinäres Denken
Strategische Kompetenz
Adaptionsfähigkeit, Unternehmerisches Denken
Quelle: Schipanski, A. (2024), in Koller et al. (Hrsg.) (2024)
Wenn wir ein Navigationssystem nutzen hilft uns das, schnell und bequem unser Ziel zu erreichen. Andererseits vermindert sich dadurch auch die menschliche Fähigkeit, sich zu orientieren. Die Nutzung eines Autos hilft uns, große Strecken zurückzulegen, doch vermindert es auch unsere körperlichen Fähigkeiten. Die Nutzung eines Computers erleichtert uns die Bearbeitung von Zahlenkolonnen, doch reduziert es auch unsere Rechen-Fähigkeiten. Die Nutzung von Suchmaschinen wie Google hat es uns erleichtert, Daten und Informationen schnell zu finden. Manche Fähigkeiten der Recherche und des Prüfens von Daten und Informationen bleiben hier manchmal wegen den schnellen Zyklen der Veränderungen auf der Strecke.
Warum sollten diese Effekte also bei der Nutzung von Künstlicher Intelligenz anders sein?
„Eine grundlegende Erkenntnis besagt, dass jedes technische Hilfsmittel die Fähigkeiten der Kombination «Mensch-Tool» zwar erhöht, jene des Menschen alleine aber potenziell vermindert (every augmentation is also an amputation, frei nach Marshall McLuhan)“ (Digital Society Initiative 2023)
Im Kontext der universitären Bildung haben Forscher ermittelt, welche menschlichen Fähigkeiten in Zukunft in einem von KI dominierten Umfeld erhalten und gestärkt werden sollten (vgl. Digital Society Initiative 2023):
Grundlegende technische Fähigkeiten in Bezug auf KI-Technologien.
Sozialisationsfähigkeiten: Soziales Lernen, Einfühlungsvermögen, Resilienz und effektives Teamwork gefördert werden. Dies bedingt auch ein Verständnis und eine Reflexion über ethische Werte und wissenschaftlichen Ethos.
Kritisches Denken: Kritische Diskurs, das Denken in Modellen und Abstraktionen sowie die Fähigkeit zur multiperspektivischen Kognition und Analyse.
Handeln unter Unsicherheit: Um mit der Geschwindigkeit des technischen Fortschritts (und auch den bekannten globalen Herausforderungen wie z.B. dem Klimawandel) umgehen zu können, sind Fähigkeiten zu fördern, welche das Handeln unter Unsicherheit erleichtern. Unter anderem zu nennen ist hier eine Schulung der Intuition und abstraktes Problemlösen.
Künstliche Intelligenz durchdringt alle Bereiche der Gesellschaft, und somit auch die Arbeitswelt. Für die Arbeitswelt hat Künstliche Intelligenz insofern starke Auswirkungen, als dass repetitive oder auch Routineaufgaben wohl als erstes durch leistungsfähige KI-Anwendungen ersetzt werden. Dadurch können sich wiederum Menschen mit ihren Potenzialen auf komplexere Problemlösungen konzentrieren. Ob das ein Vorteil oder Nachteil ist, liegt wie immer an der Perspektive. Der folgende Abschnitt beschreibt dazu ein Idealszenario.
„Die Maschine nimmt uns die komplizierten, berechenbaren (und oft langweiligen) Routineaufgaben entweder komplett ab oder liefert die passende Zuarbeit für weitere Arbeitsschritte und Entscheidungen. Dadurch wird der Fachkräftemangel gelindert und Menschen werden von repetitiven Tätigkeiten entlastet. Sie können sich dadurch den Aufgaben zuwenden, die auf Kreativität, Empathie, Kontextualisierung in volatilem Umfeld sowie auf zwischenmenschliche Interaktion angewiesen sind. Die Trennung von Kopf, Hand und Herz – wie sie die Arbeit der letzten 100 Jahre vorantrieb – kann so rückgängig gemacht oder verringert werden. Menschen können im Idealfall mehr schöpferisch und nach persönlichen Neigungen wirken. Sie können ihr Potenzial entfalten und zur Verfügung stellen“ (Hertling, S. (2024), in RKW-Magazin 1/2024).
Der Artikel thematisiert in seiner Überschrift auch auf Menschliche Intelligenz, fokussiert im Text allerdings sehr stark auf die Künstliche Intelligenz. Den Begriff Menschliche Intelligenz thematisiert der Autor leider nur indirekt, indem er Begriffe wie „Empathie“, „Kreativität„, „zwischenmenschliche Interaktionen“ oder auch „Skills“ verwendet. Unklar bleibt, von welchem Intelligenzverständnis hier ausgegangen wird. Ist es die Perspektive eines Intelligenz-Quotienten (IQ), oder die Perspektive einer Emotionalen Intelligenz oder aber die Perspektive von Multiplen Intelligenzen nach Howard Gardner? Erst durch diese Klärung würde ein „in-Beziehung-setzen“ von Menschlicher Intelligenz und Künstlicher Intelligenz Sinn machen. Erste Hinweise auf ein angemessenes Intelligenz-Konstrukt habe ich bei Funke gefunden:
Funke (2006) hat dazu einen ausführlichen Beitrag zum ersten Intelligenztest (PDF) geschrieben. Auf Seite 38 steht: “Inhaltlich hat sich das Intelligenzkonzept in den letzten 100 Jahren ausdifferenziert (vgl. Funke u. Vatterodt-Plünnecke 2004): An der Stelle einer einzigen Intelligenzdimension (´general intelligence´, g-Faktor) ist heute die Konzeption Multipler Intelligenzen im Sinne unterschiedlicher Teilkompetenzen (z.B. logisches Schlussfolgern, verbale Intelligenz, kreatives Problemlösen, emotionale Kompetenz, Körperbeherrschung) getreten, für die jeweils andere Erfassungsinstrumente benötigt werden.”
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
