Keine Job-Apokalypse: Warum KI Jobs spannender macht, statt sie abzulösen

Intro

Was passiert mit meinem Job durch KI? Final beantworten kann das niemand – aber wir sehen inzwischen genug, um die Frage besser zu stellen. In dieser Episode ist Elisabeth L'Orange zu Gast: Partnerin AI & Data bei Deloitte, Host des Tech & Tales Podcasts und mit einem ungewöhnlich breiten Blick auf das Thema – aus der Beratung großer Unternehmen, dem Gesellschafterrat von Otto und der eigenen Forschung zu KI und Gehirn. Statt Schwarz-Weiß-Prognosen geht es um die Graustufen: Welche Aufgaben verändern sich, welche Fähigkeiten werden wertvoller – und was kann man heute schon tun, um sich gut aufzustellen?

Inhaltsübersicht

Elisabeths Blick auf 2028 – wie sich Beratung, Forschung und Podcast-Arbeit verändern
Warum es kein Schwarz-Weiß gibt: Jobs bestehen aus vielen Einzelaufgaben
Was KI zuerst übernimmt – Customer Service und Coding
Augmentieren vs. substituieren – die entscheidende Abwägung
Automatisierbar ist nicht gleich „sollte automatisiert werden" – und der Tool-Overload
Vom Ausführen zum Orchestrieren – welche Fähigkeiten gewinnen
Was wegfällt und was neu entsteht – IKEA, Security und Forward Deployed Engineers
Die fünf Bausteine eines Jobs – und was KI davon heute schon kann
Die drei Skills, in die Elisabeth immer investieren würde

Über den Gast

Elisabeth L'Orange ist Partnerin für AI & Data bei Deloitte und begleitet große Unternehmen durch ihre KI-Transformation – von der Strategie bis zur Implementierung. Daneben sitzt sie im Gesellschafterrat von Otto, forscht zur Wechselwirkung von künstlicher Intelligenz und menschlichem Gehirn und hostet den Podcast Tech & Tales. In dieser beliebten Doppelfolge mit dem AI FIRST Podcast bringt sie ihre Perspektiven aus Praxis, Forschung und Medien zusammen.

Detaillierte Zusammenfassung

Elisabeths Blick auf 2028

Elisabeth trägt viele Hüte: Beratung zur KI-Transformation, einen Sitz im Gesellschafterrat von Otto, Forschung zu KI und Gehirn – und ihren eigenen Podcast. Genau daran macht sie fest, wie unterschiedlich KI einzelne Tätigkeiten trifft. In der Beratung erwartet sie die größte Verschiebung: Kunden kommen heute schon bestens vorbereitet in Meetings, weil sie ihre Fragen vorab mit einem Modell durchgespielt haben. Was vielen Unternehmen fehlt, ist die Fähigkeit, POCs, MVPs und Piloten tatsächlich zu bauen – weshalb der Bedarf an Engineering und Implementierung massiv wachsen wird.

Bei der Forschung sieht sie KI als enormen Hebel, zugleich steige der Druck, etwa durch KI-geschriebene Paper. Und beim Podcast hat sie eine Kehrtwende gemacht: Nachdem sie eine Zeit lang Show Notes und Storylines von KI generieren ließ, macht sie heute wieder alles per Hand. „Es wirkt einfach so unorganisch – kein Mensch will dem zuhören oder es lesen."

Was KI zuerst übernimmt – Customer Service und Coding

Die Studienlage ist für Elisabeth ziemlich kohärent: Repetitive, klar umrissene Tätigkeiten wie Customer Service fallen zuerst. Den verbreiteten Einwand, dass Bots unangenehm seien und alle lieber mit Menschen sprechen, lässt sie nur für die alten Modelle gelten – moderne Sprachmodelle (sie nennt das Unternehmen Parloa) seien kaum noch von Menschen zu unterscheiden. Dass der Rollout dauert, liege vor allem an Kosten und Komplexität, nicht an der Technik. Felix bringt mit dem menschlichen Callcenter von Trade Republic ein Gegenbeispiel ein – und beide einigen sich darauf, dass es innerhalb des Customer Service sehr unterschiedliche Aufgabentypen gibt.

Ähnlich beim Coding: Wenn schon Laien mit Claude Code kleine Applikationen bauen, sei absehbar, wohin die Reise geht. Gleichzeitig entstehe neuer Bedarf – etwa für neuromorphe Chips und die dazu passenden Programmiersprachen. Das „Gros der stumpfen Entwicklerarbeit" werde disruptiert, Innovation schaffe aber zugleich neue Talentnachfrage.

Augmentieren oder substituieren? Die entscheidende Abwägung

Elisabeths zentrale These: Wir sehen vor allem hybride Modelle. Stark textlastige Bereiche wie Marketing oder People Operations werden in großen Teilen automatisiert – die menschliche Seite muss aber weiter bedient werden. Die eigentliche Frage sei selten „Was geht technisch?", sondern „Was ist sinnvoll?". Wer einen HR-Mitarbeiter durch einen Agenten ersetzt und dabei das ganze Umfeld unglücklich macht, holt sich womöglich teurere Folgeprobleme ins Haus.

Als praktische Kennzahl nennt sie Time to Decision: Wenn KI hilft, schneller zu guten Entscheidungen zu kommen, zahlt sich der Einsatz aus. Davon abzuwägen ist der Tool-Overload: Mitarbeitende brauchen rund 10–12 Wochen, um sich an neue Software zu gewöhnen, während im KI-Bereich alle 3–6 Monate etwas Neues kommt. Das Gehirn behalte ohnehin nur etwa 60 Prozent neuer Anwendungen, und permanentes Hin- und Herspringen zwischen Tools koste rund 40 Prozent der mentalen Energie. Ihr Fazit: Aktuell machen viele neue Tools die Menschen nicht automatisch produktiver – und manchmal sind menschliche Entwickler schlicht günstiger als die Tokens.

Vom Ausführen zum Orchestrieren – welche Fähigkeiten gewinnen

Elisabeth verweist auf die Future-Skills-Matrix des World Economic Forum: Rein technische und mathematische Skills sind nach unten gerutscht, weil KI sie zunehmend löst. Wichtiger werden die menschlichen Fähigkeiten – sie mag den Begriff „Soft Skills" nicht, weil er sie kleinredet. „Der cholerische Chef, der keine Empathie hat, ist vom Aussterben bedroht – Gott sei Dank."

Der entscheidende Shift sei das Verifizieren, Validieren und Falsifizieren von KI-Output. Menschen werden zu Dirigenten der KIs und tragen am Ende die Verantwortung – „der Maschine kannst du schlecht die Verantwortung geben". Berufe verschieben sich auf eine höhere Ebene: Ein Anwalt werde eher zum „Justice Architect", ein Koch zum „Geschmackskurator". Gleichzeitig sinke die Einstiegshürde – auch leistungsschwächere Menschen kommen per KI auf ein höheres Niveau.

Menschen werden zu Dirigenten der KIs – aber die Verantwortung für den Output bleibt am Ende immer beim Menschen.

Was wegfällt und was neu entsteht

Am härtesten betroffen ist zuerst das, was Felix „intellektuelle Fleißarbeit" nennt: Informationen in Tabellen übertragen, Texte umformatieren, einfache lineare Prozesse ohne großes Transferwissen. Auch die anschließende Qualitätskontrolle könnte fallen, weil ein Agent mit weniger kognitiven Lücken arbeitet als ein Mensch. Die OECD geht davon aus, dass bis 2030 rund eine Milliarde Menschen umlernen muss. Eine Job-Apokalypse erwartet Elisabeth trotzdem nicht – historisch hat noch keine Disruption zu Massenarbeitslosigkeit geführt. Ihre Anekdote: 1967 prognostizierte man dank Haushaltsgeräten eine 22-Stunden-Woche bis 1985 – das Gegenteil trat ein.

Wie produktiv neue Modelle wirken, zeigt das IKEA-Beispiel: Der Support-Chatbot „Billy" beantwortete um 2023 rund 47 Prozent der Anfragen, wodurch 8.500 Support-Agents in ihrer alten Rolle nicht mehr gebraucht wurden. Statt sie zu entlassen, schulte IKEA sie zu Interior Design Consultants um – und drehte ein Cost Center in ein Milliarden-Profit-Center. Dahinter steht für Elisabeth die Veränderung des Operating Models: KI hilft, neue Geschäftsmodelle zu finden und alte Strukturen abzulösen. Neue Rollen entstehen oft erst, wenn Probleme auftauchen, die es vorher nicht gab – etwa Security Engineering, weil jede schnell „vibe-codete" Anwendung Sicherheitslücken mitbringt und Angreifer neue Technologien zuerst nutzen.

Beim Hype um angeblich endlos neue KI-Jobs bleibt Felix skeptisch: Wie viele AI Engineers oder Agent Manager braucht eine Firma netto wirklich? Elisabeth sieht vor allem Forward Deployed Engineers – Hybride aus Geschäfts- und KI-Verständnis. Der Umkehrschluss: Wir alle müssen uns mit KI augmentieren und künftig nicht nur uns selbst, sondern auch die Agenten präsentieren, die wir gebaut haben. Vorne dabei sei die Gen Z, die „AI native" ist – weshalb sie keine Apokalypse der Einstiegsjobs erwartet.

Die fünf Bausteine eines Jobs – und was KI davon kann

Felix bringt eine First-Principle-Analyse ein: Fast jeder Job am PC besteht aus fünf Bausteinen – einen Input verstehen, ihn verarbeiten und durchdenken, einen Output erzeugen, die Qualität bewerten und am Ende Verantwortung tragen. KI ist heute schon stark beim Verstehen von Input und beim Erzeugen von Output; am Nachdenken arbeiten die Labs intensiv; bei der Qualitätsbewertung ist noch Luft; Verantwortung trägt sie gar nicht.

Daraus folgt eine praktische Heuristik: Je digitaler Input und Output und je einfacher die Qualitätskriterien beschreibbar sind, desto eher lässt sich eine Aufgabe übernehmen – der immer gleiche Standard-Call ist das Paradebeispiel. Elisabeths Einschränkung: Das setzt eine gewisse Monotonie und Vorhersehbarkeit voraus – „und das größte Hindernis ist, dass Menschen einfach nicht immer das Gleiche machen wollen".

Die drei Skills, in die Elisabeth immer investieren würde

Zum Abschluss nennt Elisabeth drei Felder. Erstens die eigene Lernfähigkeit und mentale Fitness: Urteilskraft und Denkvermögen schärfen und stark Dopamin-triggernde Aktivitäten bewusst herunterfahren. Zweitens AI-Skills im Sinne von echtem Bauen – kleine Dinge mit Claude umsetzen und mit Modellen so „fluent" werden wie mit einer Sprache. „71 Prozent der Menschen überschätzen ihre eigenen AI-Skills." Drittens Interhuman Skills: Nach Corona hätten viele verlernt, mit anderen umzugehen – dabei werde genau das wichtiger. „Die Währung wird Trust sein" – Vertrauen in Menschen, Systeme und Anbieter, gerade weil wir mit KI-Slop überflutet werden.

Felix zieht den roten Faden zusammen: Es geht nicht um eine perfekte Prognose, sondern darum, handlungsfähig zu werden – ehrlich hinzuschauen, wo KI überlegen ist, diese Fähigkeiten für sich nutzbar zu machen und vom Opfer in die Gestalterrolle zu gehen.

Kernaussagen

Vom Ausführen zum Orchestrieren – „Menschen werden zu Dirigenten der KIs – und am Ende hat ja auch immer der Mensch die Verantwortung für den Output." Orchestrierung, Verantwortung
Trust wird zur Währung – „Die Währung wird Trust sein: in Menschen, in Systeme, in die Software deiner Wahl. Weil wir mit AI-Slop überflutet werden, wird die menschliche Beziehung zur wichtigsten Währung." Vertrauen, Mensch
Die Grenze der Automatisierung – „Es setzt immer eine gewisse Monotonie und Vorhersehbarkeit der Arbeit voraus – und das größte Hindernis ist, dass Menschen nicht immer das Gleiche machen wollen." Automatisierung, Grenzen
AI-Fluency wird Pflicht – „71 Prozent der Menschen überschätzen ihre eigenen AI-Skills. Es geht darum, mit KI so fluent zu werden, als würde man eine Sprache sprechen." Future Skills, Enablement
Jeder wird zum Bauer – „Es muss jeder zwischen 8 und 80 demnächst in der Lage sein, sich eigene kleine Agenten zu bauen." Agenten, Eigenverantwortung

Fazit und Takeaways

Für Unternehmen mit KI-Ambitionen

Aufgaben statt Jobs betrachten: Nicht „Beruf X stirbt", sondern welche Einzelaufgaben sich verändern, wegfallen oder wertvoller werden.
Augmentieren vor Substituieren: Erst prüfen, wo KI Menschen stärkt – Vollersatz holt oft teurere Folgeprobleme ins Haus.
Operating Model hinterfragen: Das IKEA-Beispiel zeigt, wie aus einem Cost Center ein neues Geschäftsmodell werden kann.
Tool-Overload vermeiden: Ständig neue Tools machen nicht automatisch produktiver – Lernkurven und Kontextwechsel kosten real.

Für Führungskräfte und Teams

Prozessdenken fördern: Wer Prozesse versteht und beschreiben kann, hat den größten Hebel, Arbeit sinnvoll an KI zu delegieren.
Menschliche Fähigkeiten stärken: Urteilskraft, Kontextfähigkeit, Empathie und Kommunikation werden wertvoller, nicht unwichtiger.
Qualität und Verantwortung verankern: KI erzeugt Durchschnitt mühelos – Exzellenz und die Verantwortung für den Output bleiben menschlich.

Für jede:n Einzelne:n

In die eigene Lernfähigkeit investieren: Denkvermögen pflegen, Dopamin-Fallen reduzieren, Urteilskraft schärfen.
AI-Fluency aufbauen: Selbst kleine Agenten und Produkte bauen, statt KI nur als bessere Suchmaschine zu nutzen.
Vom Opfer zum Gestalter: Ehrlich anschauen, wo KI überlegen ist – und diese Stärke für die eigene Wirkung nutzbar machen.

Die zentrale Botschaft dieser Episode: Die Zukunft der Arbeit ist nicht schwarz-weiß. Es geht nicht um die perfekte Prognose, sondern um Handlungsfähigkeit – darum, die Graustufen zu verstehen, menschliche Stärken mit KI zu erweitern und sich aktiv in die Gestalterrolle zu bringen. Wer das tut, erlebt einen Großteil der Arbeit eher interessanter und fordernder als bedroht.