Zum Inhalt springen
Tunesien und die KI
EssayKI-Übersetzung· Tunesien und die KI · Teil 3· 13. August 2026

Der Wissensarbeiter und die KI: Zentaur werden oder lautlos verschwinden?

Self-Automator, Cyborg oder Zentaur: drei Haltungen gegenüber der Maschine und was jede davon mit unserem Urteilsvermögen macht.

von 14 Min. Lesezeit

Im vorherigen Artikel haben wir gesehen, wie ein Unternehmen den Aal zu fassen bekommt: bei seinen Prozessen ansetzen, sein Wissen selbst besitzen und seine Software anpassen. Nehmen wir an, diese Transformation gelingt. Dann bleibt die persönlichste Unbekannte unserer Gleichung: der Mensch, der in diesem transformierten Unternehmen arbeitet.

Der erste Artikel hat Peter Druckers Knowledge Worker vorgestellt, jene Fachkraft, die Wert schafft, indem sie Informationen sammelt, interpretiert und weitergibt, und auch seine besondere Bedeutung für Tunesien: IT-Dienstleistungen, Ingenieurwesen, ausgelagerte Buchhaltung, qualifizierter Kundenservice. Er ist Exportmotor, Säule der Mittelschicht und ein zentraler Beitragszahler der öffentlichen Finanzen zugleich.

Jahrzehntelang war die Informatik sein bester Verbündeter. Die Tabellenkalkulation half dem Buchhalter, die Suchmaschine dem Analysten. Diese Werkzeuge waren Fahrräder für den Geist: Sie verstärkten die Anstrengung, aber treten musste immer noch der Mensch.

Generative KI verändert die Physik der Kopfarbeit: Zum ersten Mal begnügt sich das Werkzeug nicht mehr damit, Informationen zu strukturieren oder wiederzufinden. Es produziert Inhalte. Es kann jetzt an unserer Stelle in die Pedale treten.

Der Schumpeter-Moment im Büro: der Optimierungszwang

Schumpeters schöpferische Zerstörung, ebenfalls schon im ersten Artikel dieser Serie angesprochen, zieht heute durch unsere Arbeitsräume. Die KI senkt rasch den wirtschaftlichen Wert isolierter, repetitiver Kopfarbeit: die Standardzusammenfassung, der erste Entwurf, der Routinecode, die Alltagsübersetzung.

Hier muss ein Missverständnis ausgeräumt werden. Bei Schumpeter kommt die Zerstörung nicht von innen, sondern von der Konkurrenz. Kein Unternehmen erfindet sich aus Spaß neu; es tut es, weil irgendwo ein Rivale bereits seine Kosten gesenkt oder seine Qualität gesteigert hat. Optimierung ist also keine Wahl: Sie ist ein Zwang, den der Markt permanent auf jeden Akteur ausübt.

Dieser Zwang reicht inzwischen bis an den einzelnen Schreibtisch. Wenn ein Berater, eine Entwicklerin oder ein Jurist mit KI-Unterstützung in zwei Tagen liefert, wofür das Gegenüber zwei Wochen braucht, definiert er nicht nur seine eigene Produktivität neu: Er verschiebt den Marktpreis der Leistung für alle anderen mit. Der Wissensarbeiter, der seine Methoden nicht verändert, behält deshalb nicht seine bisherige Wettbewerbsfähigkeit. Er verliert sie, weil sich der Maßstab ohne ihn verschoben hat.

Der Zwang ist asymmetrisch: Nichtstun ist keine neutrale Position, sondern ein relativer Rückschritt. Die einzige Variable, die der Profi noch in der Hand hat, ist nicht, ob die Transformation stattfindet, sondern wer sie steuert: er selbst, indem er seine Arbeitsweise neu denkt, oder der Markt, auf seine Kosten und nach dessen Zeitplan.

Beim Individuum wird dieser Zwang nicht haltmachen. Er wandert die Kette hinauf: Das Unternehmen, das nicht optimiert, verliert Boden gegenüber dem, das es tut. Im nächsten Artikel werden wir sehen, dass er am Ende auch die Staaten selbst erreicht.

Die unmittelbare Bedrohung ist also nicht unbedingt der abrupte Ersatz durch die Maschine. Sie ist ein schleichenderes Phänomen: Deskilling, die schrittweise Dequalifizierung durch blinde Delegation. Anders gesagt: die Transformation erleiden, statt sie zu steuern.

Die Lektion vom Schachbrett: Geburt und Tod des Zentauren

1997 verliert Garri Kasparow gegen Deep Blue. Statt das Schach für tot zu erklären, hilft er anschließend, das „Advanced Chess“ populär zu machen: Menschen, die zusammen mit Maschinen spielen.

Die Freestyle-Turniere der 2000er-Jahre brachten dann etwas Bemerkenswertes ans Licht: Spieler, die nicht unbedingt die besten waren, aber eine Maschine und vor allem einen exzellenten Kollaborationsprozess hatten, konnten stärkere Gegner schlagen, ob Mensch oder Computer. Der Zentaur war geboren: Der Mensch liefert Strategie und Urteilsvermögen (den Oberkörper), die Maschine die Rechenleistung (den Pferdeleib).

Der intellektuellen Redlichkeit halber: Im Spitzenschach ist der Zentaur heute praktisch ausgestorben. Moderne Engines sind so stark geworden, dass menschliches Eingreifen ihre Ergebnisse eher verschlechtert als verbessert.

Hat das Zentaurenmodell also ein Verfallsdatum? Nicht unbedingt, und der Grund dafür ist entscheidend.

Schach ist ein geschlossenes System: vollständige Information, feste Regeln, ein eindeutiges Ziel. Genau unter diesen Bedingungen kann die Maschine den Menschen am Ende verdrängen.

Wissensarbeit ist in der Regel das Gegenteil: ein offenes System. Was „gewinnen“ bedeutet, ist dort verhandelbar. Es hängt vom Kontext ab, von den Stakeholdern, von ethischen Grenzen und von Zielen, die sich unterwegs verändern können. Eine Maschine kann eine exzellente Antwort auf eine gegebene Frage liefern. Doch festzulegen, welche Frage es wert ist, gestellt zu werden, wem die Antwort dienen soll und welche Kollateralschäden akzeptabel sind, ist nicht nur eine Rechenaufgabe: Es ist eine Frage von Framing und Verantwortung.

Die Lektion vom Schachbrett lautet also nicht, dass der Zentaur immer gewinnt, sondern etwas Präziseres: Der Zentaur bleibt dort relevant, wo die Gewinnfunktion nicht vollständig definiert ist.

Genau dorthin muss der Wissensarbeiter seinen Wert verlagern: weg von Aufgaben, die sich in geschlossene Systeme packen lassen, ein Terrain, auf dem er wahrscheinlich irgendwann verliert, und hin zur Definition von Zielen, Kontexten und Leitplanken.

Drei Haltungen gegenüber der Maschine

Aus dieser Analyse ergeben sich drei Modi der Zusammenarbeit zwischen Mensch und Maschine. Was sie unterscheidet, ist der Umgang mit der Gewinnfunktion der eigenen Arbeit.

1. Der Self-Automator: passive Delegation

Er delegiert das Wesentliche an die KI und behandelt seine Arbeit stillschweigend als geschlossenes System, als gäbe es für jede Aufgabe eine „richtige“ Antwort, die die Maschine zwangsläufig findet.

Genau das ist die Falle: Indem er seine Arbeit so definiert, hat er sie bereits auf das Terrain verschoben, auf dem die Maschine den Menschen verdrängen kann. Die Folge ist ein doppeltes Deskilling: Er verlernt sein Handwerk und verliert nach und nach das Urteilsvermögen, das er bräuchte, um die Ergebnisse zu prüfen.

Der Self-Automator wird nicht nur wegrationalisiert, weil die KI zu stark ist, sondern weil er selbst aufgehört hat, die richtigen Fragen zu stellen.

2. Der Cyborg: verschmolzene Ko-Kreation

Mensch und Maschine arbeiten in permanentem Dialog: Jeder Absatz, jede Analyse, jede Codezeile entsteht durch Iteration.

Dieser Modus glänzt bei teilweise geschlossenen Aufgaben: Der Rahmen steht, aber die Ausführung verlangt laufende Anpassungen. Das Risiko liegt woanders: Wer permanent mit der Maschine verschmolzen arbeitet, kann die Distanz verlieren, die nötig ist, um sich zu fragen, ob das Ganze noch in die richtige Richtung läuft.

3. Der Zentaur: kuratierte Arbeitsteilung

Die Trennlinie bleibt klar: Der Mensch behält die Hoheit über das Was, also Ziele, Kontext, Leitplanken, Abwägungen und Bewertung, während die Maschine einen Großteil des Wie übernimmt.

Dieser Modus passt besonders dann, wenn die Gewinnfunktion offen bleibt: Strategie, Priorisierung, ethische Abwägung, Verständnis der Stakeholder oder die Wahl des Problems, das gelöst werden soll.

Der entscheidende Punkt: Cyborg und Zentaur konkurrieren nicht miteinander, sie sind Haltungen. Der souveräne Wissensarbeiter wechselt bewusst zwischen ihnen: Zentaur fürs Framing, Cyborg für die Ausführung, niemals Self-Automator aus Bequemlichkeit.

Gefährlich wird es, wenn der Haltungswechsel unbewusst geschieht. Wer im Cyborg-Modus versinkt, ohne je wieder in den Sattel zu steigen, driftet langsam in die Selbstautomatisierung.

Bewusst den Modus wechseln zu können, wird damit zu einer der Kernkompetenzen unserer Zeit.

KI als Entscheidungsverstärker

Wenn die Grenzkosten kognitiver Ausführung stark fallen, verschiebt sich der Engpass.

Gestern war die knappe Ressource oft die Produktion: die Analyse schreiben, den Code schreiben, die Präsentation bauen. Heute wird die knappe Ressource zunehmend die Entscheidung: was produziert wird, in welchem Rahmen und mit welchem Ziel.

Und wo der Engpass liegt, konzentriert sich in der Regel der Wert. Ökonomisch nichts Neues: Der knappe Faktor bestimmt tendenziell den Preis. Neu ist, dass dieser knappe Faktor jetzt Urteilsvermögen heißt.

Diese These hat allerdings eine dunklere Zwillingsschwester: KI ist auch ein Entscheidungsverstärker.

Gutes Framing wird von der Maschine vervielfacht. Schlechtes auch.

Wer gestern eine falsche Annahme in eine Analyse einbaute, produzierte ein fehlerhaftes Dokument. Wer dieselbe Annahme heute in einen automatisierten Prozess einspeist, kann fehlerhafte Dokumente in Serie produzieren: in Maschinengeschwindigkeit, professionell aufbereitet und mit allem Anschein von Gründlichkeit.

Das ist die eigentliche Schwäche des Self-Automators: Er entscheidet sehr wohl noch, aber unbewusst. Jeder gedankenlose Prompt, jede implizite Annahme und jedes ungeprüft übernommene Ergebnis ist eine Entscheidung, die nicht als solche erkannt wird.

Er delegiert nicht nur seine Arbeit: Er delegiert, oft ohne es zu merken, sein Urteilsvermögen.

Produktionskompetenz und Prüfkompetenz: die Geburt des Creative Generalist

Um die nächste Entwicklungsstufe des Wissensarbeiters zu verstehen, beginnen wir mit einer einfachen Feststellung: Bisher beruhte der Wert einer Fachkraft weitgehend auf ihrem fachlichen Silo. Der Buchhalter kannte die Buchhaltung, die Entwicklerin den Code, der Jurist das Recht. Die Grenzen zwischen diesen Feldern zu überschreiten, war teuer: Es brauchte Jahre des Studiums, lange Praxiserfahrung oder die Einstellung eines zweiten Experten.

KI senkt diese Zugangskosten spektakulär. Das Spezialwissen eines fremden Fachgebiets ist damit nicht sofort beherrscht, aber es wird leichter abrufbar, befragbar und nutzbar.

Zwei konkrete Beispiele:

  • Ein Unternehmensstratege bereitet die Neuaufstellung eines Kundenservice vor. Gestern hätte er seine Vision in einer Präsentation beschrieben und dann wochenlang gewartet, bis das Tech-Team sie in Spezifikationen übersetzt. Heute kann er mit der KI verschiedene Softwarearchitekturen durchspielen, ihre wichtigsten Einschränkungen verstehen und mit präziseren Fragen ins Technik-Meeting gehen, vielleicht sogar mit Ideen, die er mit seiner ursprünglichen Ausbildung nie hätte formulieren können.
  • Eine Ökonomin will eine Hypothese anhand von Exportdaten prüfen. Gestern hätte sie einen Statistiker angefragt oder auf die Analyse verzichtet. Heute kann sie, von der Maschine angeleitet, selbst eine erste Exploration durchführen und den Experten erst für die Validierung von Methoden und Ergebnissen hinzuziehen.

Das könnten wir den Creative Generalist nennen: eine Fachkraft, deren Wert nicht mehr nur im angehäuften Spezialwissen liegt, sondern in der Fähigkeit, Felder zu verbinden, auf deren Verknüpfung niemand gekommen wäre, und daraus neue Lösungen zu gewinnen.

Für ein Land wie Tunesien, dessen Stärke vielleicht eher in der Vielseitigkeit seiner Absolventen liegt als in der Tiefe seiner F&E-Budgets, verdient diese Figur besondere Aufmerksamkeit.

Doch sofort drängt sich ein Einwand auf, und er ist ernst zu nehmen: Ist dieser Generalist nicht einfach ein Self-Automator mit besserem Selbstbild?

Ein Stratege, der KI-generierte technische Konzepte übernimmt, ohne deren Tragfähigkeit beurteilen zu können, ist kein Generalist. Er ist ein Glücksritter mit übergroßem Ego.

Um diesem Einwand zu begegnen, braucht es eine Unterscheidung, die im KI-Zeitalter zentral wird. Zerlegen wir, was es heißt, ein Fachgebiet zu „beherrschen“. Darin stecken zwei verschiedene Kompetenzen.

Produktionskompetenz heißt, es selbst zu können: den Code schreiben, das statistische Modell bauen, den Vertrag aufsetzen. Sie verlangte traditionell jahrelange Ausbildung, und einen wachsenden Teil davon kann die KI inzwischen übernehmen.

Prüfkompetenz heißt, beurteilen zu können, was gemacht wurde: erkennen, dass eine Softwarearchitektur fragil ist, eine statistische Korrelation irreführend oder eine Vertragsklausel riskant, auch ohne alles selbst auf demselben Niveau produzieren zu können.

Neu ist diese Unterscheidung nicht. Ein Werksleiter kann nicht unbedingt jede Schweißnaht selbst setzen, aber er muss einen fehlerhaften Fertigungsprozess erkennen. Eine Chefredakteurin hat nicht jeden Artikel selbst geschrieben, aber sie erkennt eine zweifelhafte Behauptung.

Neu ist, dass diese Asymmetrie für einen wachsenden Teil der Wissensarbeiter zum gängigen Arbeitsmodell werden könnte: Die Maschine produziert mehr; der Mensch rahmt, prüft und steht für die Entscheidung ein.

Damit lässt sich der legitime Creative Generalist genauer definieren. Er muss nicht in jedem Feld, das er verknüpft, volle Produktionskompetenz besitzen, aber er muss dort ein Mindestmaß an Prüfkompetenz aufbauen: genug Tiefe, um zu merken, wenn die KI ihm plausiblen Unsinn liefert. Nicht, um in dem Feld voll zu praktizieren, sondern um zu wissen, wann er entscheiden, wann er zweifeln und wann er einen Experten rufen muss.

Bleibt eine praktische Frage: Wie erwirbt man diese Prüfkompetenz, ohne all die Produktionsjahre zu durchlaufen, auf denen sie traditionell beruhte?

Symbiotisches Lernen mit der Maschine liefert einen Teil der Antwort: mit den Modellen diskutieren, statt ihre Antworten passiv zu konsumieren, ihre Aussagen anfechten, nach Quellen fragen, Gegenargumente suchen und jeden entdeckten Fehler nutzen, um das eigene mentale Modell zu schärfen.

Aber die KI kann nicht zugleich einziger Produzent, einziger Lehrer und einziger Schiedsrichter ihrer eigenen Fehler sein. Dieses Lernen muss sich auch auf externe Referenzen stützen, auf echte Fälle, auf angeleitete Praxis und auf den punktuellen Einsatz von Experten.

Die ehrliche Formel lautet also: Creative Generalist ist kein Status, den der Zugang zur KI automatisch verleiht. Es ist eine Disziplin, die man aufbaut.

Wer die Stufe der Prüfkompetenz überspringt, ist kein Zentaur mit erweitertem Revier: Er ist ein Self-Automator, der sich in mehreren Disziplinen gleichzeitig wegrationalisiert.

Und in einem System, das meine Urteile verstärkt, wird die Qualität dieser Urteile zum wichtigsten Hebel, der mir noch bleibt.

Das Dilemma der Generation Z: der Riss in der Zentaurenschmiede

Diese Analyse stößt allerdings auf das Gen Z Dilemma aus dem ersten Artikel: Wenn die Maschine die ersten Analysen erledigt und die einfachen Fälle abarbeitet, wie sollen junge Fachkräfte dann die Erfahrung sammeln, die sie für komplexe Situationen brauchen? Jetzt können wir genauer sagen, was auf dem Spiel steht. Die Prüfkompetenz, genau das, was den Zentauren vom Self-Automator unterscheidet, entsteht durch die Konfrontation mit Fehlern, durch Wiederholung, Praxis und das Erledigen der Basisaufgaben.

Der Zentaur von 2035 muss heute mit dem Lernen anfangen. Aber an welchen Aufgaben, wenn die Maschine sie schon geschluckt hat? Antworten gibt es, doch sie verlangen ein bewusstes Neudesign:

  • die Junior-Rolle neu erfinden: Juniors nicht mehr nur den ersten Entwurf schreiben lassen, sondern auch den der KI prüfen, unter Aufsicht einer erfahrenen Fachkraft;
  • Bildung neu ausrichten: weniger allein die Fähigkeit bewerten, eine Antwort zu produzieren, was die Maschine immer besser kann, und mehr die Fähigkeit, eine relevante Frage zu stellen, die eigenen Annahmen offenzulegen und die erhaltene Antwort zu kritisieren;
  • eine „Override-Kultur“ institutionalisieren: den Gangwechsel ausdrücklich trainieren, also wissen, wann man rahmt, wann man iteriert, wann man prüft und wann man die Zügel wieder übernimmt;
  • Räume für praktisches Lernen erhalten, auch wenn sie kurzfristig weniger effizient wirken, damit die Ausbildung der künftigen Experten nicht auf dem Altar der sofortigen Produktivität geopfert wird.

Nichts davon passiert von allein. Es ist eine Entscheidung über Organisation, Investition und Wissensweitergabe, kein bloßes Nebenprodukt der Technologie.

Die schöpferische Zerstörung wechselt die Größenordnung: vom Individuum zur Gesellschaft

Bisher haben wir auf der Ebene des Einzelnen argumentiert. Weiten wir jetzt den Rahmen, denn hier wird die tunesische Gleichung knifflig. Jeder optimierte Prozess aus dem zweiten Artikel, ob spezialisierte Dokumentenverarbeitung, KI-gestützter Kundenservice oder agentengestützte Entwicklung, bedeutet, dass dieselbe Arbeitsmenge von weniger Menschen erledigt werden kann. Wenn ein Team aus zehn Analysten produziert, wofür gestern zwölf nötig waren, beträgt der Produktivitätsgewinn 20 %. Hochgerechnet auf eine ganze Branche kann dieser Gewinn drei Szenarien speisen, die sich gegenseitig nicht ausschließen.

Szenario 1: Wachstum absorbiert die Gewinne Das wettbewerbsfähiger gewordene Unternehmen erobert neue Märkte und hält seine Belegschaft, verändert aber den Inhalt der Arbeit. Das ist eines der Szenarien, die bei früheren technologischen Revolutionen zu beobachten waren. Es setzt allerdings wachsende Märkte, zahlungsfähige Nachfrage und einen gelungenen Aufstieg in höhere Wertschöpfung voraus. Produktivität erzeugt ihre eigene Nachfrage nicht automatisch.

Szenario 2: der stille Abbau Das Unternehmen produziert gleich viel mit weniger Leuten. Das geschieht nicht unbedingt durch spektakuläre Entlassungen, sondern dadurch, dass Abgänge nicht ersetzt, Junior-Einstellungen eingefroren oder Stellen, die sonst entstanden wären, gar nicht erst geschaffen werden. Das ist wahrscheinlich die diskreteste und am schwersten messbare Form der Zerstörung. In den Entlassungsstatistiken hinterlässt sie kaum Spuren, sie taucht erst später in den Beschäftigungszahlen junger Absolventen auf.

Szenario 3: die Verlagerung der Zerstörung Der erste Artikel hat es bereits angekündigt: Die Automatisierung, die tunesische Wissensarbeiter bedroht, muss gar nicht in Tunesien stattfinden.

Wenn ein europäischer Auftraggeber einen Teil seines Supports oder seiner Entwicklung automatisiert, kann er weniger auslagern. Die Zerstörung findet dann in Tunis statt, während sich Wertschöpfung, Kapital oder geistiges Eigentum anderswo konzentrieren.

Die schöpferische Zerstörung verspricht nämlich nie, dass das Neue am selben Ort, für dieselben Menschen oder im selben Tempo entsteht, in dem das Alte zerstört wird.

Ein 45-jähriger Berater, dessen Standardanalysen wegfallen, verwandelt sich nicht automatisch in einen Supervisor von KI-Agenten. Eine 24-jährige Absolventin findet nicht automatisch die Junior-Stelle, die es nicht mehr gibt.

Hier schließt sich der Kreis zur Gesellschaft als Ganzes.

Der Wissensarbeiter ist nicht nur Produzent: Er ist auch Steuerzahler, Beitragszahler und Konsument. Sein Einkommen finanziert die Renten, die Krankenversicherung und die Schule seiner Kinder.

Damit sind wir wieder beim Paradox aus dem ersten Artikel: Genau dann, wenn die Gesellschaft die meisten Mittel bräuchte, um auszubilden, abzusichern und umzuschulen, könnten die traditionellen Quellen dieser Mittel brüchig werden. Nur können wir die Mechanik jetzt im Detail beobachten, Prozess für Prozess, Stelle für Stelle.

Der einzelne Zentaur kann sich vielleicht selbst retten. Aber wer bezahlt den Stall?

Darum geht es im nächsten Artikel: das Governance-Puzzle. Wie passt man Steuersystem, soziale Sicherung und Regulierung an eine Wirtschaft an, in der digitales Kapital einen wachsenden Teil der Wertschöpfung erzeugt? Und wie kann Tunesien diesen Zwang in eine Chance verwandeln, seinen Gesellschaftsvertrag neu zu denken?

Denn eine Gesellschaft misst sich nicht nur an der Produktivität ihrer Maschinen, sondern daran, was sie mit den Menschen macht, die diese Maschinen freisetzen.

Oder am Bahnsteig stehen lassen.

Live long and prosper 😉✋

Dossier

Tunesien und die KI

Herausforderungen und Chancen: eine Reihe in vier Teilen, erschienen in Zusammenarbeit mit Leaders Magazine.

Teil 3 · 3 von 4

  1. 1.Tunesien und die KI: eine Gleichung mit mehreren Unbekannten
  2. 2.Das Unternehmen und die KI: Wie man einen Aal packt
  3. 3.Der Wissensarbeiter und die KI: Zentaur werden oder lautlos verschwinden?
  4. 4.Die harte Nuss der Governance
Weiterlesen
Thema
Tunesien
0 BeiträgeAlle ansehen →
▶Anhören