Warum KI manchen Menschen zu Superkräften verhilft – und anderen kaum nutzt

Gibt man jedem Mitarbeiter ein generatives KI-Tool an die Hand, könnte er plötzlich Aufgaben außerhalb seines Fachgebiets mit verblüffender Geschwindigkeit und Kompetenz erledigen – so lautet zumindest das Versprechen von GenAI. Doch in Wirklichkeit ist die Angleichung unterschiedlicher Fachkompetenzen durch KI weitaus komplexer.

Das zeigt eine neue Studie der Harvard Business School und der Stanford University mit dem Titel „The GenAI Wall Effect: Examining the Limits to Horizontal Expertise Transfer Between Occupational Insiders and Outsiders“. Darin definieren die Autoren die „GenAI-Wall“ als jenen Punkt, an dem KI die Wissenslücke zwischen Experten („Insidern“) und fachfremden Anwendern („Outsidern“) nicht länger sinnvoll überbrücken kann. Im Kern geht es um die Frage, wann und warum GenAI es Beschäftigten erlaubt, Aufgaben anderer Berufe ebenso schnell und hochwertig zu erledigen wie die eigentlichen Spezialisten und ab wann dieser horizontale Wissenstransfer trotz KI scheitert. Diese Fragestellung berührt ein zentrales Thema der Arbeitsökonomie: Verändert KI die traditionelle Arbeitsteilung und Qualifikationsanforderungen, oder bleibt spezialisierte Expertise der entscheidende Faktor?

KI zwischen Insidern und Outsidern: Das Experiment

Um diese Effekte zu untersuchen, führten die Forscher ein Feldexperiment in einem britischen Großunternehmen durch. Dabei wurden drei Gruppen von Beschäftigten gebildet, die alle eine identische Aufgabe bearbeiten sollten, jedoch unterschiedliche fachliche Hintergründe hatten:

• Insider: Mitarbeiter, die diese Art von Aufgabe regulär als Teil ihres Jobs ausführen (Im Experiment: Web-Analysten, die beruflich Marketing-Artikel für die Firmenwebsite schreiben).
• Angrenzende Outsider: Beschäftigte aus einem nahestehenden Bereich, die ähnliche Fähigkeiten nutzen, aber die konkrete Aufgabe normalerweise nicht übernehmen (hier: Marketing-Spezialisten derselben Abteilung, die mit Marketing zu tun haben, aber keine Web-Artikel schreiben).
• Ferne Outsider: Mitarbeiter aus einem ganz anderen Tätigkeitsfeld ohne Überschneidungen in den typischen Aufgaben (hier: Technologie-Spezialisten wie Softwareentwickler und Datenwissenschaftler, die keine Erfahrung mit dem Verfassen von Marketing-Texten haben).

Alle Probanden sollten eine Kernaufgabe der Web-Analysten übernehmen, bestehend aus zwei Phasen: Erstens, die Konzeption eines Artikels, also einen strukturierten Entwurfs mit passenden Schlüsselbegriffen, Zwischenüberschriften und FAQ-Sektionen zu erstellen. Zweitens, die Ausführung, also die vollständige Ausformulieren des Marketing-Artikels. Dieser Ablauf simulierte einen realen Arbeitsprozess mit einem konzeptionellen und einem praktisch-gestalterischen Teil. Die Teilnehmer wurden per Los entweder einer KI-Gruppe oder einer Kontrollgruppe zugewiesen: Die KI-Gruppe erhielt Zugriff auf ein maßgeschneidertes GenAI-Tool als Unterstützung, während der Kontrollgruppe keine KI-Hilfe zur Verfügung stand.

Die Resultate fielen je nach Aufgabentyp sehr unterschiedlich aus. Bei der Konzeptionsaufgabe (Artikel-Entwurf) wirkte die KI tatsächlich als großer Gleichmacher: Ohne KI-Unterstützung erzielten die Insider erwartungsgemäß deutlich bessere Briefings als ihre Kollegen aus Marketing und Technik. Mit KI jedoch verschwanden die Qualitäts- und Geschwindigkeitsunterschiede nahezu. Alle Gruppen lieferten ähnlich gute Entwürfe in vergleichbarer Zeit.

Durch dieses randomisierte Versuchsdesign ließ sich isolieren, inwieweit die KI-Unterstützung Outsidern half, an die Leistung der Insider heranzukommen.

Die generative KI hob die Leistung insbesondere der Outsider deutlich an: Sie half sowohl den marketingnahen Mitarbeitern als auch den fachfremden Tech-Spezialisten, ideenreiche Gliederungen und Keywords zu generieren, sodass ihre Konzeptqualität an die der Web-Analysten heranreichte. Interessanterweise profitierten leistungsschwächere Teilnehmer am stärksten von der KI-Unterstützung.

GenAI verschafft Outsidern einen Aufholeffekt

Die Studie liefert damit einen weiteren Hinweis darauf, dass GenAI gerade weniger Erfahrenen ein effizienteres Arbeiten ermöglicht. Frühere Experimente bestätigen diesen Aufholeffekt: In einer MIT-Studie steigerten Schreibkräfte mit ChatGPT ihre Produktivität erheblich, was sich in durchschnittlich 40 Prozent kürzeren Bearbeitungszeiten bei 18 Prozent höherer Qualität zeigte. Zudem schrumpften die Leistungsunterschiede zwischen den Teilnehmern, da vor allem schwächere Schreiber überproportional profitierten. Ähnlich befand ein Feldversuch in einem großen Kundenservice-Team, dass ein KI-Assistenzsystem die durchschnittliche Produktivität um 14 Prozent steigerte, ausgelöst durch einen 34-Prozent-Schub bei Berufsanfängern, während erfahrene Support-Mitarbeiter sich kaum verbesserten.

Die KI vermittelte offenbar Best-Practice-Lösungen der Top-Mitarbeiter an die Neulinge und half ihnen, schneller dazuzulernen. Innerhalb eines Berufs kann generative KI also tatsächlich als Leistungsnivellierer wirken, indem sie weniger Qualifizierten einen Teil des Expertenwissens zugänglich macht.

Die Harvard/Stanford-Studie zeigt jedoch, dass dieser Egalisierungseffekt horizontal über Berufsgrenzen hinweg nur begrenzt trägt. In der zweiten Phase, der Ausführungs- oder Schreibaufgabe, änderte sich das Bild deutlich. Zwar konnten die Marketing-Spezialisten mit KI-Unterstützung nun vollwertige Artikel verfassen, die qualitativ auf Augenhöhe mit den Ergebnissen der Profi-Web-Analysten lagen. Anders sah es bei den fachfremden Tech-Mitarbeitern aus: Deren Beiträge blieben trotz KI-Hilfe klar hinter den Artikeln der anderen Gruppen zurück. Für die marketingnahen Outsider nivellierte generative KI die Unterschiede nahezu vollständig, doch bei den entfernteren Outsidern tat sich eine deutliche Lücke auf. Hier manifestierte sich die postulierte GenAI-Wall: Jenseits einer gewissen Wissensdistanz konnte selbst das KI-Tool den Qualitäts- und Geschwindigkeitsrückstand nicht mehr wettmachen. Die KI hatte den Entwicklern zwar einen produktiven Schub gegeben, aber dieser reichte nicht aus, um ihr fehlendes Domänenwissen komplett auszugleichen. In der Ausführung blieben die Insider und nahe Outsider überlegen. Nicht alle Aufgaben lassen sich gleichermaßen von KI besser bewältigen, und nicht jede Wissenslücke lässt sich durch Algorithmen schließen. Dieser Befund warnt davor, vorschnell anzunehmen, dass sich KI universell einsetzen lässt.

Warum fachfremde KI-Nutzer scheitern: Die Rolle des Erfahrungswissens

Woran liegt es, dass die KI den technikaffinen Outsidern nicht im selben Maße helfen konnte wie den Marketing-Kollegen? Die Studie liefert hier mithilfe von Interviews eine aufschlussreiche Erklärung. Domain-Know-how erwies sich als Schlüsselfaktor: Web-Analysten und Marketing-Spezialisten teilten ein grundlegendes Verständnis für wirksame Onlinetexte: von der zielgruppengerechten Ansprache über SEO-Schlüsselwörter bis hin zu überzeugenden Call-to-Action-Formulierungen. Dieses implizite Hintergrundwissen befähigte sie, die KI-Vorschläge sinnvoll zu nutzen: Sie erkannten, welche generierten Inhalte taugten, wo nachgebessert oder gekürzt werden musste, und formten daraus einen stimmigen, publizierbaren Artikel.

Den IT-Fachleuten fehlte genau diese Spürnase für guten Marketing-Text. So neigten sie dazu, den KI-Output unkritisch zu übernehmen oder nach persönlichen Vorlieben zu verändern, die aber fachlich nicht immer zielführend waren. Ein bezeichnendes Beispiel: Ein Datenwissenschaftler strich in seinem Artikelentwurf bestimmte „Buzzwords“, weil er „klare und direkte“ Formulierungen bevorzugte, ohne zu wissen, dass gerade solche Schlagwörter im Marketing-Kontext oft wichtig sind. Ohne Erfahrung im jeweiligen Gebiet fehlte den Outsidern das Urteilsvermögen, um die KI-Ergebnisse optimal zu veredeln.

GenAI: Das Gefühl einer Superkraft

Diese Erkenntnis deckt sich mit dem Unterschied zwischen den Aufgabentypen: Die Konzeptionsphase war relativ formalisiert. Daher konnte die KI mit strukturierenden Vorschlägen glänzen, die auch ein Laie nachvollziehen konnte. Die Ausführung hingegen verlangte viel mehr implizites Wissen: Aus einer groben Vorlage einen stimmigen, ansprechenden Text zu formulieren, erfordert Erfahrung, Sprachgefühl und kontextbezogene Urteilsfähigkeit. Genau da stoßen fachfremde Nutzer ohne einschlägige Übung an Grenzen, da sie nicht sehen, was am KI-Textentwurf verbessert oder angepasst werden muss.

„GenAI gibt uns das Gefühl einer Superkraft, aber in einem Gebiet, von dem wir nichts verstehen, arbeiten wir letztlich nur auf dem Grundniveau des Modells“, bringt es Iavor Bojinov, Mitautor der Studie, auf den Punkt. Man könne vielleicht offensichtliche Fehler erkennen, „aber im Allgemeinen können wir es nicht wirklich verbessern“. Die Forscher folgern entsprechend, dass grundlegendes Domänenwissen trotz aller KI-Unterstützung weiterhin unverzichtbar bleibt: Selbst hochentwickelte Sprachmodelle ersetzen keine Expertise, die durch Ausbildung und Praxis erworben wurde. Dieser Befund spiegelt auch die Einschätzung des Ökonomen David Autor wider, der warnt: KI könne die Reichweite von Experten zwar enorm vergrößern, „abseits eines guten Fundaments und solider Struktur wird sie aber zur strukturellen Gefahrenquelle“. Mit anderen Worten: Ohne ein solides Fundament an Fachwissen läuft der KI-Einsatz Gefahr, schöne Scheinlösungen zu produzieren, die der unwissende Nutzer nicht als solche entlarven kann – ein Risiko für Qualität und Ergebnisverantwortung.

Einordnung in bisherige Forschung

Bisher konzentrierte sich die empirische Forschung vor allem auf die vertikalen Effekte von KI innerhalb eines Berufsbilds: Zahlreiche Studien fanden, dass generative KI-Tools die Produktivität steigern und insbesondere weniger erfahrenen Mitarbeitern helfen, schneller dazuzulernen und Lücken zu ihren erfahrenen Kollegen zu schließen. So verlagerten sich in Experimenten mit Schreibaufgaben die Tätigkeiten der Menschen dank KI-Unterstützung stärker auf Ideengebung und Redaktion, während Routinearbeiten wie erste Entwürfe vom Modell übernommen wurden.

Die menschliche Arbeitszeit konnte produktiver eingesetzt werden, während die KI monotone oder zeitintensive Teile automatisierte. Dieses Muster, also die KI als „Assistenz“, welche die grobe Vorarbeit leistet und den Menschen in Richtung höherwertiger Tätigkeiten verschiebt, unterstützt die Annahme, dass KI viele Tätigkeiten ergänzt, statt sie vollständig zu ersetzen. Gleichzeitig zeigt sich, dass der größte Produktivitätsgewinn oft bei geringqualifizierten oder neuen Arbeitskräften entsteht, während Spitzenkräfte vergleichsweise wenig hinzugewinnen. Mit KI können Novizen also in gewissem Rahmen zu den Experten aufschließen, was die betriebliche Leistungsspreizung verringert.

In der Studie wird deutlich, dass generative KI zwar in der Lage ist, den Abstand zwischen fachlich nah verwandten Rollen zu verkleinern, nicht jedoch unbegrenzt über alle Wissensgräben hinweg. Die Autoren sprechen von einer kombinierten Wirkung aus Wissensdistanz und Aufgabenart: Je weiter zwei Berufsfelder voneinander entfernt sind, desto schwerer tut sich die KI, die fehlende Expertise zu ersetzen, besonders bei komplexen Ausführungsaufgaben.

Dieser GenAI-Wall Effect bedeutet letztlich, dass generative KI keine Wundermaschine ist, die aus einem Laien über Nacht einen vollwertigen Profi in einem fremden Metier macht. Er untermauert damit die in der Literatur diskutierte These, dass KI vor allem in Kombination mit vorhandenem Humankapital wirkt und dessen Lücken bis zu einem gewissen Grad füllen kann, aber kein vollwertiger Ersatz für tiefgehende Spezialkenntnisse ist.

Einige Studien argumentieren sogar, dass KI den Wert von speziellem Experten-Know-how relativ verringern und stattdessen breitere, transferierbare Fähigkeiten aufwerten könnte. So zeigten Huang et al. (2024) in Experimenten zu kreativen Aufgaben, dass KI-Nutzer mit hoher allgemeiner kognitiver Fähigkeit und Anpassungsfähigkeit besonders profitieren, während vormals kritische Spezialfertigkeiten an Bedeutung verlieren. Das würde bedeuten, dass sich die Kompetenzanforderungen verschieben: Weg von eng definierten Fachkenntnissen, hin zu generellen Skills wie Problemlösen, abstraktes Denken und der Fähigkeit, KI-Tools effektiv einzusetzen. Allerdings ist Vorsicht geboten: Die Harvard/Stanford-Studie illustriert, dass ohne ein Mindestmaß an Domänenwissen auch diese allgemeinen Fähigkeiten an Grenzen stoßen. Ein plausibles Gesamtbild ist: Generative KI demokratisiert Wissen bis zu einem Punkt, indem sie vielen Zugriff auf umfangreiches Fakten- und Lösungswissen gibt, aber sie ersetzt nicht die Erfahrung und das tiefere Verständnis, die für die richtige Anwendung dieses Wissens notwendig sind.

Implikationen für Unternehmen: Zwischen Flexibilität und Fachkräfteentwicklung

Für Unternehmen und Führungskräfte liefern diese Erkenntnisse wertvolle Hinweise, wie und wo generative KI im Betriebsablauf am meisten Nutzen stiftet und wo Vorsicht geboten ist. Eine zentrale Botschaft lautet: Mitarbeiter können sich mit KI-Unterstützung durchaus in benachbarte Aufgabengebiete vorwagen, aber in fachlich weit entfernten Bereichen stoßen sie an Grenzen. Personalplaner sollten daher KI gezielt einsetzen, um das Skill-Set der Belegschaft horizontal zu erweitern, jedoch primär in Feldern, die an das bestehende Know-how angrenzen.

Ein mögliches Modell ist das AI-gestützte Crosstraining: Beschäftigte eines Funktionsbereichs wie des Marketings werden mittels KI befähigt, auch Aufgaben eines verwandten Bereichs (etwa Content-Erstellung, Marktforschung oder Analytics) zu übernehmen. In solchen Fällen hat die Studie gezeigt, dass Qualität und Effizienz mit den angestammten Experten mithalten können. Dagegen werden spezialisierte Rollen mit hochkomplexen Ausführungsaufgaben weiterhin einen Platz haben. Insbesondere dort, wo Detailwissen und Erfahrung essenziell sind, bleibt der „eng fokussierte“ Profi unverzichtbar. Für die betriebliche Praxis heißt das: KI effektiv dort nutzen, wo sie menschliches Wissen am besten ergänzt, und gleichzeitig die Kernkompetenzen identifizieren, die „unikat menschlich“ sind und die kein Algorithmus ersetzen kann.

Zugleich könnten sich Jobprofile und Karrierepfade wegen KI breiter aufstellen. Innerhalb eines Fachgebiets braucht es womöglich weniger Hyper-Spezialisierung auf einzelne Nischen. Statt für jede Teilaufgabe getrenntes Personal vorzuhalten (etwa SEO-Experten, E-Mail-Marketing-Spezialisten, Social-Media-Manager als getrennte Rollen), könnte ein Team von gut ausgebildeten Generalisten innerhalb der Domäne mit KI-Tools die diversen Aufgaben abdecken. Bojinov etwa prognostiziert, dass man in Zukunft „kaum noch Leute braucht, die eine ganze Karriere nur mit SEO machen“ – diese würden besser als breiter aufgestellte Marketinger agieren.

Der Vorteil für Unternehmen läge in einer erhöhten personellen Flexibilität: Mitarbeiter könnten je nach aktueller Bedarfslage zwischen Aufgaben rotieren, anstatt in starren Funktionssilos zu verharren. Wenn zum Beispiel zeitweise weniger Artikel für die Website benötigt werden, aber verstärkt Inhalte für eine Messe vorbereitet werden müssen, kann ein Team vielseitiger Marketing-Experten mithilfe von KI kurzfristig umgeswitcht werden, ohne externe Spezialisten rekrutieren zu müssen. KI wirkt in diesem Szenario als Enabler für agile Arbeitsorganisation und dynamische Ressourcennutzung.

Den Quantenphysiker kann der „KI-Generalist“ nicht ersetzen

Allerdings ist diese Vision nicht allgemeingültig für alle Branchen und Tätigkeiten. Die Studie betont, dass es Bereiche geben wird, in denen tiefe Spezialisierung weiterhin entscheidende Vorteile bringt. Etwa dort, wo an der Wissensgrenze geforscht wird, wo kreative Spitzenleistungen gefragt sind oder wo KI wenig helfen kann.

Ein Quantenphysiker oder ein erfahrener Chirurg etwa werden absehbar nicht durch einen „Generalisten mit KI“ ersetzt werden können, solange KI nicht selbst echtes Verständnis und Erfahrungswissen erlangt. Vielmehr dürfte für viele Berufstätige der Rat gelten, ein echter Experte im eigenen übergeordneten Fachgebiet zu bleiben und gleichzeitig zu lernen, KI-Tools zu beherrschen, um bei Bedarf über den Tellerrand des eigenen Spezialgebiets hinaus agieren zu können. Dieses T-Profil (tiefe Kernkompetenz plus breite anschlussfähige Fähigkeiten) könnte wegen KI an Bedeutung gewinnen.