Genau dieses Muster droht nun bei der professionellen Expertise ganzer Berufsgruppen, argumentiert Nolan Lovett von der NATO Special Operations University in einem Forschungspapier, das im Fachjournal Human Resource Development Review erschienen ist.
Seine zentrale These: Wenn ein Unternehmen Einstiegspositionen durch KI ersetzt, kassiert es 100 Prozent der Effizienzgewinne. Die Kosten der Expertise-Erosion verteilen sich dagegen auf alle Organisationen, die auf den gemeinsamen Fachkräftepool angewiesen sind. Denn erfahrene Fachkräfte entstehen nicht von selbst: Sie benötigen jahrelange Einstiegspositionen, in denen Berufsanfänger schrittweise komplexere Aufgaben übernehmen, Fehler machen und korrigieren. Doch KI-Systeme könnten zunehmend genau diese Aufgaben übernehmen.
Zwei Mechanismen untergraben die Nachwuchspipeline
Lovett identifiziert zwei Wege, über die KI die Expertise-Erneuerung stört. Der erste ist die direkte Elimination von Einstiegspositionen: KI-Systeme erledigen Aufgaben autonom, die früher Berufsanfängern zufielen.
Der zweite ist subtiler: Selbst wenn Einstiegspositionen bestehen bleiben, erreichen Berufsanfänger mit KI-Unterstützung ein Produktivitätsniveau, das früher Jahre an Erfahrung erforderte. Die kognitive Anstrengung, durch die sich tiefes Fachwissen erst bildet, entfällt.
Die Kausalkette der "Cognitive Commons"-Erosion: KI-Adoption führt über zwei Mechanismen zur Störung der Nachwuchsentwicklung, was tiefe Fachexpertise erodiert und die Fähigkeit zur inhaltlichen Prüfung von KI-Ergebnissen untergräbt. | Bild: Lovett (2026)Wer KI-Fehler nicht erkennen kann, kann KI nicht beaufsichtigen
Daraus ergibt sich ein Folgeproblem, das Lovett als "Validierungsleine" bezeichnet: Die Fähigkeit, KI-Systeme wirksam zu beaufsichtigen, hängt von genau dem tiefen Fachwissen ab, das die KI-Nutzung untergräbt. Denn wer fachspezifische Fehler in plausibel erscheinenden KI-Ergebnissen erkennen will, benötigt mehr als die Fähigkeit, offensichtliche Widersprüche zu entdecken. Oberflächliche Prüfungen reichten laut der bisherigen Studienlage nicht aus, um vor relevanten Fehlern zu schützen.
Verschärft werde das Problem durch Denkgewohnheiten: Wer KI-Antworten routinemäßig als verlässlich behandelt, verliert den Reflex, sie zu hinterfragen. Und die Ausbildungskontexte, in denen Berufsanfänger früher lernten, Autoritäten infrage zu stellen und Aussagen an der Realität zu messen, verschwinden mit den klassischen Einstiegspositionen.
Ein Arbeitsmarktproblem mit jahrzehntelanger Verzögerung
Die volle Wirkung dieses Mechanismus dürfte sich erst mit erheblicher Verzögerung zeigen. Die erfahrenen Fachkräfte, die heute auf dem Arbeitsmarkt verfügbar sind, wurden vor 5 bis 20 Jahren ausgebildet. Die Auswirkungen der ab 2023 gestrichenen Einstiegspositionen werden laut Lovett daher womöglich erst zwischen 2030 und 2045 vollständig sichtbar.
Er nennt das den "Human Reserve Paradox": Organisationen benötigen tiefe Expertise in Reserve für Validierung, Krisenmanagement und Situationen, die KI-Systeme überfordern. Gleichzeitig hat keine einzelne Organisation einen ausreichenden ökonomischen Anreiz, diese Reserve allein aufrechtzuerhalten.
Neben der sinkenden Zahl an Fachleuten sieht Lovett ein zweites Problem: Das nachrückende Personal, ohnehin zahlenmäßig dezimiert, verfüge über eine oberflächlichere Expertise, da es seine Karriere zunehmend mit KI-Orchestrierung statt mit eigenständiger kognitiver Arbeit verbracht habe.
Nicht jedes Berufsfeld ist gleich verwundbar
Lovett betont, dass der Mechanismus nicht alle Berufe gleichermaßen betrifft. Software Engineering, Finanzanalyse und juristische Recherche etwa weisen laut dem Paper hohe Aufgabensubstituierbarkeit, vergleichsweise geringe Regulierung und starke Modularisierbarkeit auf und fallen damit in die höchste Verwundbarkeitskategorie. Medizin und Ingenieurwesen sind durch strengere regulatorische Anforderungen und stärkere Berufsverbände teilweise geschützt, aber nicht immun.
Unvermeidlich sei die Tragödie nicht. Fachpersonal benötige KI-freie Lernräume, eine phasenweise Einführung von KI und eine menschliche Mindestleistung, die vor der KI-Nutzung erbracht werden sollte. Berufsverbänden empfiehlt Lovett, fachliche Kompetenz mit Zertifikaten zu prüfen, ergänzend zur KI-Kompetenz. Die Politik müsse Ausbildung attraktiver machen. Verbote oder Einschränkungen der KI-Nutzung gehören nicht zu seinen Vorschlägen.
Studienlage bleibt bei wirtschaftlichen Faktoren uneindeutig
Eine Studie aus dem Sommer 2025, die auch Lovett ausführlich zitiert, zeigte Beschäftigungsrückgänge in KI-betroffenen Berufen insbesondere bei jungen Arbeitnehmern. Für erfahrenere Arbeitskräfte in denselben Berufen blieb die Beschäftigung stabil oder wuchs sogar. Die Forscher führen die Entwicklung darauf zurück, dass generative KI primär kodifiziertes Wissen ersetzt, während praktische Erfahrung weiterhin gefragt ist. Auch eine Studie des Federal Reserve Board zeigt, dass sich das Wachstum von Programmier-Jobs seit ChatGPT fast halbiert hat.
Eine klare Kausalität zwischen KI und diesen Rückgängen lässt sich bislang allerdings nicht nachweisen. Andere Faktoren wie eine straffere Geldpolitik und eine Korrektur nach den Tech-Übereinstellungen der Pandemiejahre könnten ebenfalls eine Rolle spielen. Eine Studie aus dem Januar 2026 zeigt etwa, dass die Jobkrise in KI-betroffenen Berufen bereits vor dem ChatGPT-Release einsetzte. Eine Anthropic-Studie vom März 2026 fand insgesamt keine messbaren Auswirkungen von KI auf den Arbeitsmarkt, allerdings ein Warnsignal: Die Jobfindungsrate in stark KI-exponierten Berufen sank bei jungen Arbeitnehmern zwischen 22 und 25 Jahren um einen halben Prozentpunkt.
Kognitive Schulden: Studien zeigen messbare Folgen falscher KI-Nutzung
Deutlich eindeutiger ist die Studienlage bezüglich der kognitiven Auswirkungen von zu viel oder falscher KI-Nutzung. Die Ergebnisse bestätigen Lovetts These einer kognitiven Schuld, die sich über Jahre aufbauen könnte: Eine MIT-Studie zeigte mittels EEG-Messungen, dass bereits kurze KI-Nutzung die neuronale Konnektivität schwächt und über 80 Prozent der Teilnehmer Schwierigkeiten hatten, Inhalte aus ihren eigenen KI-gestützten Texten wiederzugeben.
Eine Anthropic-Studie mit Softwareentwicklern fand, dass Teilnehmer mit KI-Zugang in Wissenstests um 17 Prozent schlechter abschnitten, wobei vor allem jene verloren, die KI als reine Antwortmaschine nutzten. Wer KI dagegen zur Erklärung einsetzte, lernte deutlich besser.
Eine Schweizer Studie mit 666 Teilnehmern fand eine starke negative Korrelation zwischen KI-Nutzung und kritischem Denken, besonders ausgeprägt bei 17- bis 25-Jährigen. Laut Anthropic äußern Studierende selbst die Sorge vor "Hirnfäule", weil sie mit KI zu viele Lernprozesse abkürzen.
Bei Schülern in China zeigte sich das Muster über einen längeren Zeitraum: Trotz 18 Prozent besserer Hausaufgabennoten fielen die Prüfungsleistungen um bis zu 24 Prozent, wobei sich der volle Effekt erst nach etwa zwei Jahren entfaltete.
Entscheidend ist laut den Studien nicht die Menge der KI-Nutzung allein, sondern die Art: Wer KI als Denkersatz einsetzt, verliert kognitive Fähigkeiten am schnellsten, während ein gezielter Einsatz als Erklärungswerkzeug die negativen Effekte deutlich abschwächen kann.
