Eine Maschine fällt aus. Ein wichtiger Kunde meldet eine ungewöhnliche Reklamation. Eine Lieferung verzögert sich und plötzlich greifen mehrere Probleme ineinander.
In solchen Situationen reicht es selten, einen Prozessschritt nach dem anderen abzuarbeiten.
Ein erfahrener Mitarbeiter erkennt vielleicht schon an einer kleinen Abweichung, dass etwas nicht stimmt. Er erinnert sich an einen ähnlichen Fall vor Jahren, weiß, welche Information wirklich wichtig ist und welche zunächst dramatischer klingt, als sie tatsächlich ist.
Heute kommt eine weitere Möglichkeit hinzu: Man kann die Situation einer KI schildern und sich innerhalb von Sekunden Ursachen, Lösungswege oder Handlungsempfehlungen vorschlagen lassen. Das ist enorm hilfreich.
Doch wer beurteilt, ob die Antwort zur konkreten Situation passt?
Antworten werden leichter verfügbar. Beurteilung nicht.
Generative KI verändert den Zugang zu Wissen grundlegend. Sie kann Informationen bündeln, mögliche Ursachen nennen, Alternativen entwickeln und komplexe Zusammenhänge verständlich erklären.
Damit verschiebt sich der Engpass.
Es geht zunehmend weniger darum, überhaupt eine Antwort zu bekommen. Entscheidend wird, eine gute von einer nur plausibel klingenden Antwort unterscheiden zu können. Genau dabei spielt Erfahrung eine besondere Rolle.
Erfahrung besteht nicht einfach darin, viele Fakten gespeichert zu haben. Sie entsteht aus wiederholter Begegnung mit realen Situationen: Was funktioniert normalerweise? Wo treten Ausnahmen auf? Welche Signale sind tatsächlich relevant? Welche Lösung sieht theoretisch richtig aus, funktioniert unter den konkreten Bedingungen aber nicht?
Dieses Wissen steckt häufig nicht vollständig in Handbüchern oder Datenbanken.
Fachwissen und KI können sich ergänzen
Eine 2025 in Management Science veröffentlichte Untersuchung kommt zu einem bemerkenswerten Ergebnis:
KI und fachliche Expertise wirken eher als Ergänzung denn als Ersatz füreinander. Besonders wertvoll wird der Einsatz demnach, wenn Menschen mit Domänenwissen gleichzeitig verstehen, wie sie algorithmische Systeme sinnvoll einsetzen und deren Ergebnisse interpretieren können. (PubsOnline)
Auch Untersuchungen aus medizinischen Entscheidungssituationen zeigen, warum das wichtig ist.
In einer Studie mit 210 Personen erhielten die Teilnehmer KI-gestützte Empfehlungen bei einer diagnostischen Aufgabe. Fachliche Qualifikation und bessere diagnostische Leistung waren mit einer geringeren Wahrscheinlichkeit verbunden, falschen Empfehlungen der KI zu folgen. Die Autoren weisen ausdrücklich darauf hin, dass gerade Nicht-Spezialisten, die besonders stark von einem Unterstützungssystem profitieren könnten, zugleich anfälliger für diesen sogenannten Automation Bias sein können. (PubMed)
Natürlich lässt sich eine medizinische Diagnose nicht einfach auf eine Produktionshalle oder eine Vertriebsentscheidung übertragen. Der zugrunde liegende Punkt ist dennoch interessant:
Wer bereits ein eigenen Erfahrungshorizont der Situation besitzt, hat mehr Möglichkeiten, einen KI-Vorschlag dagegen zu prüfen.
Erfahrung erkennt die Abweichung
Erfahrene Menschen wissen nicht immer mehr über alles. Aber innerhalb ihres Fachgebiets verfügen sie häufig über etwas, das bei komplexen Situationen besonders wertvoll wird: Vergleichsmöglichkeiten.
Sie können beispielsweise erkennen:
- Diese Lösung funktioniert normalerweise – hier aber wahrscheinlich nicht.
- Diese Zahl sieht ungewöhnlich aus – könnte aber saisonal erklärbar sein.
- Diese Empfehlung klingt logisch – berücksichtigt jedoch einen wichtigen Kunden, eine Maschine oder eine Besonderheit des Marktes nicht.
Das macht Erfahrung auch im KI-Zeitalter relevant.
Eine große Feldstudie mit 758 Beratern von Boston Consulting Group zeigt gleichzeitig, wie leistungsfähig KI sein kann. Bei Aufgaben, die innerhalb der Fähigkeiten des eingesetzten KI-Systems lagen, arbeiteten die Berater schneller und erzielten bessere Ergebnisse. Bei einer komplexeren Aufgabe außerhalb dieser „technologischen Grenze“ waren die Teilnehmer mit KI-Unterstützung dagegen 19 Prozentpunkte schlechter als die Vergleichsgruppe ohne KI. (PubsOnline)
Gerade weil KI so häufig sehr überzeugend klingende Ergebnisse liefert, kann es schwierig werden zu erkennen, wann man ihr nicht folgen sollte.
Was das für Unternehmen bedeutet
Für Unternehmen entsteht daraus eine Frage, die über KI-Schulungen und Prompting hinausgeht.
Wenn junge Mitarbeitende sehr früh lernen, Antworten über KI zu beziehen, müssen sie gleichzeitig die Chance bekommen, eigenes Fachwissen und reale Erfahrung aufzubauen.
Erfahrung ist dabei keine Frage des Lebensalters. Auch ein jüngerer Mitarbeiter kann nach einigen Jahren über enormes Expertenwissen verfügen. Entscheidend ist, ob Menschen Gelegenheit haben, Fälle selbst zu durchdringen, Fehler zu erleben, Abweichungen kennenzulernen und Entscheidungen mit ihren Konsequenzen zu verbinden.
Human Cognitive Performance bedeutet deshalb auch, die Urteilsgrundlage des Menschen mitzudenken.
KI kann enorme Mengen an Wissen verfügbar machen. Aber sie nimmt uns nicht die Aufgabe ab, zu erkennen, welches Wissen in einer konkreten Situation trägt.
Fazit
Vielleicht macht KI Erfahrung deshalb nicht weniger wertvoll. Vielleicht geschieht genau das Gegenteil.
Je leichter Antworten verfügbar werden, desto wichtiger werden Menschen, die beurteilen können, welche davon wirklich etwas taugen.
Was bedeutet das für Ihr Unternehmen?
Wenn mit KI Wissen und Antworten immer schneller verfügbar ist, wird menschliche Urteilskraft umso wichtiger.
Human Cognitive Performance macht eine häufig übersehene Perspektive sichtbar: die biologischen Voraussetzungen von Gehirn und Nervensystem, die Menschen brauchen, um bei steigender Taktzahl klar zu denken, zu lernen und urteilsfähig zu bleiben.
Mögliche Formate:
Keynote · Executive Dialogue · Workshop · Cognitive Work Check-in
Tambe, P. B. (2025): Reskilling the Workforce for AI: Domain Expertise and Algorithmic Literacy Management Science.
Die Untersuchung beschreibt KI und fachliche Expertise als komplementäre Fähigkeiten und betont die Bedeutung von Domänenwissen für die sinnvolle Anwendung algorithmischer Systeme.
Kücking, F. et al. (2024): Automation Bias in AI-Decision Support: Results from an Empirical Study
Studie mit 210 Teilnehmern zu falscher Zustimmung gegenüber KI-gestützten Empfehlungen. Fachliche Qualifikation und höhere diagnostische Leistung waren mit geringerer Fehlübernahme verbunden.
Dell’Acqua, F. et al. (2026): Navigating the Jagged Technological Frontier Organization Science.
Feldexperiment mit 758 Wissensarbeitenden von BCG. KI verbesserte die Leistung bei geeigneten Aufgaben deutlich, konnte sie bei einer Aufgabe außerhalb der Leistungsgrenze des Systems jedoch verschlechtern. (PubsOnline)
