Die Blaupause der Disruption: Warum Software zeigt, was der Wissensarbeit bevorsteht
Technologische Revolutionen verändern eine Wirtschaft nicht überall gleichzeitig. Sie beginnen dort, wo die Technologie funktioniert, der Einsatz attraktiv ist und Organisationen ihre Arbeitsweise anpassen können – und breiten sich von dort aus.
Generative KI folgt diesem Muster. Besonders deutlich wird die Veränderung derzeit in der Softwareentwicklung: Die Menschen, die diese Technologie entwickeln, nutzen sie zugleich, um ihre eigene Arbeit neu zu organisieren.
Doch die Bedeutung reicht weit über Code hinaus. Juristen, Wirtschaftsprüfer, Berater und Marketer bearbeiten unterschiedliche Probleme – viele ihrer Tätigkeiten folgen aber derselben Struktur: Auftrag verstehen, Informationen sammeln, Ergebnis erstellen, überprüfen, überarbeiten.
Meine These: Was wir in der Softwareentwicklung beobachten, wird sich in vergleichbarer Form auf andere Wissensdomänen übertragen – nicht identisch und nicht gleichzeitig, aber entlang eines ähnlichen Musters: von der Assistenz über die Delegation bis zur Neugestaltung der Organisation. Auf diesem Blog sind diese Stränge bereits einzeln vermessen – Zentaurisierung, GenZ-Dilemma, ROI-Lücke. Dieser Artikel verbindet sie.
Der IWF schätzt, dass rund 60 Prozent der Arbeitsplätze in fortgeschrittenen Volkswirtschaften gegenüber KI exponiert sind. Exponiert heißt nicht ersetzbar: Manche Tätigkeiten werden produktiver, andere geraten unter Druck. Die Größenordnung zeigt dennoch: Dies ist keine Geschichte allein über die Technologiebranche.
Die Wellen folgen dabei keiner Rangliste von Berufen – das Kriterium hat die Zentaurisierung bereits geliefert: Entscheidend ist, wie gut sich eine Tätigkeit beschreiben, mit Kontext versorgen und überprüfen lässt. Wo Rückmeldung schnell und Fehler beherrschbar sind, wird Delegation zuerst wirtschaftlich. Die Wellen laufen deshalb nicht von Branche zu Branche. Sie laufen durch die Arbeitsprozesse jeder Branche.
Welle 1: Softwareentwicklung – die erste große Demonstration
In „Coding ist die KI Killer App“ stand die Softwareökonomie im Mittelpunkt. Hier geht es um die Anschlussfrage: Was lässt sich auf andere Wissensarbeit übertragen?
Software bietet günstige Voraussetzungen: Der Prozess ist digital, Compiler und automatisierte Tests liefern Rückmeldungen. Diese Rückkopplung ist nicht perfekt – Software kann Tests bestehen und trotzdem unsicher oder am Kundenbedarf vorbeientwickelt sein. Aber sie ermöglicht einen leistungsfähigen Kreislauf: erzeugen, ausführen, überprüfen, verbessern.
Bereits im Oktober 2024 erklärte Google-Chef Sundar Pichai, KI generiere mehr als ein Viertel des neuen Codes bei Google – überprüft und übernommen von Entwicklern (Google). Keine Arbeitsersparnis im gleichen Umfang, aber ein zentraler Produktionsprozess war erreicht.
Anthropics im Oktober 2026 veröffentlichte Untersuchung der eigenen Belegschaft geht weiter: Sie verbindet die Einführung von Coding-Agenten mit steigendem technischem Output und prüft Qualitätsindikatoren wie spätere Code-Löschungen. Der beobachtete Zusammenhang allein beweist keinen kausalen Effekt.
Entscheidend ist nicht, dass Entwickler schneller tippen – entscheidend ist, dass sich die Einheit der Delegation verändert. Eine Autovervollständigung schlägt die nächste Zeile vor; ein Agent übernimmt ein abgegrenztes Problem, durchläuft mehrere Schritte und gibt einen Lösungsvorschlag zur Prüfung zurück. Damit verschiebt sich die menschliche Arbeit: präzisieren, auswählen, koordinieren, bewerten. Fachwissen wird nicht überflüssig – sein wirtschaftlicher Schwerpunkt verändert sich.
Das ist die Blaupause: Aus Unterstützung bei der Ausführung wird zunehmend Delegation der Ausführung. Warum sich Delegation trotzdem wirtschaftlich lohnen kann, hat „KI vs Junior“ als Correction Effort beschrieben: Nicht der fehlerfreie Erstentwurf entscheidet, sondern wie schnell und reibungsarm die nächste Version entsteht. KI muss nicht fehlerfrei sein, um attraktiv zu werden – sie muss im konkreten Prozess einschließlich Prüfung und Nacharbeit die bessere Kosten-Nutzen-Bilanz bieten. Genau diese Kostenlogik, nicht Technologie-Gläubigkeit, erklärt den Sog der Wellen.
Welle 2: Dokumentenintensive Arbeit – vom Erstellen zum Verifizieren
Die nächste Welle erfasst Arbeit, die auf Dokumenten, Regeln und Präzedenzfällen beruht: Rechtsberatung, Rechnungswesen, Finanzanalyse, Compliance.
Eine Vertragsprüfung besteht nicht aus einem unteilbaren Vorgang: Jemand muss den Geschäftskontext verstehen, relevante Klauseln identifizieren, mit Anforderungen vergleichen, Abweichungen markieren und Konsequenzen beurteilen. KI muss den Prozess nicht vollständig ersetzen, um seine Ökonomie zu verändern – werden Erstentwurf und Vergleich billiger, verschiebt sich der Aufwand auf Ausnahmen, Verhandlung und Freigabe.
Hier hilft die Analogie zur Software – und hier liegen zugleich ihre Grenzen. Ein Entwickler führt einen Test in Sekunden aus. Ob eine juristische Interpretation trägt, zeigt sich vielleicht erst in Verhandlung oder vor Gericht. Eine Bilanzierungsentscheidung kann von Informationen abhängen, die im analysierten Dokument gar nicht enthalten sind.
Die entscheidende Frage lautet deshalb nicht nur, ob KI eine plausible Antwort erzeugen kann – sondern ob wir sie wirtschaftlich überprüfen und die Verantwortung eindeutig zuordnen können.
Anthropics Untersuchung beschreibt auch steigenden Durchsatz in juristischen und administrativen Prozessen – ein Hinweis, dass die Veränderung nicht auf Software beschränkt bleibt (Anthropic).
Für professionelle Dienstleister heißt das: Wenn vorbereitende Arbeit günstiger wird, müssen Personalstruktur, Ausbildung, Preise und Prüfprozesse neu gedacht werden.
Besonders unbequem ist die Ausbildungsfrage: Wenn KI die Einstiegsarbeit übernimmt, wo erwerben junge Fachkräfte die Prüfkompetenz, mit der sie diese Systeme beaufsichtigen sollen?
Diese Frage hat dieses Blog im GenZ-Dilemma bereits gestellt – und erste Antworten skizziert: Audits KI-generierter Entwürfe, sokratische Dialoge, simulierte „Grunt Work“. Ansätze für neue Lernwege, noch kein Nachweis, dass sich berufliche Erfahrung vollständig vorverlagern lässt. Entscheidend bleibt, wie Lernende fachliche Tiefe erwerben und ihre Prüfkompetenz nachweisbar entwickeln. Sonst erodiert nicht nur die Karriereleiter, sondern die Kontrollinstanz, ohne die kein Zentaur funktioniert.
Welle 3: Kreative und strategische Arbeit – die ungleichmäßige Grenze
Eine beruhigende Erzählung hält sich hartnäckig: Routine wird automatisiert, Kreativität und Strategie bleiben geschützt.
In einem Experiment mit 758 Beratern der Boston Consulting Group erledigten Teilnehmer mit KI-Unterstützung bei geeigneten Aufgaben 12,2 Prozent mehr Aufgaben, 25,1 Prozent schneller, mit deutlich besser bewerteter Qualität.
Doch bei einer Aufgabe außerhalb der Modellfähigkeiten erreichten KI-Nutzer seltener die richtige Lösung. Die Forscher sprechen von einer „zerklüfteten technologischen Grenze“: Die Leistungsfähigkeit verläuft nicht gleichmäßig entlang vertrauter Kategorien.
KI liefert überzeugende Marktanalysen, Kampagnenideen oder strategische Empfehlungen. Sprachliche Überzeugungskraft beweist aber nicht, dass Annahmen stimmen, Restriktionen berücksichtigt wurden oder eine Empfehlung umsetzbar ist.
Die Grenze verläuft nicht sauber zwischen Routine und Kreativität, Junior und Senior – sie verläuft mitten durch Arbeitsprozesse.
Für Beratung und Marketing entsteht die Geschäftsmodellfrage: Wofür bezahlt der Kunde, wenn ein glaubwürdiger Erstentwurf weniger Aufwand erfordert? Die Antwort dürfte bei Kontextverständnis, belastbarer Diagnose, Umsetzung und Verantwortung liegen.
Nicht jede Präsentation ist bereits eine Strategie. Nicht jeder Text erzeugt Nachfrage. Nicht jede Analyse verändert eine Entscheidung. Wer bisher die Herstellung von Folien verkauft hat, muss künftig erklären, warum die Entscheidung dadurch besser wird.
Kreativität und Strategie verschwinden nicht – aber ihre Abgrenzung gegenüber bloßer Ergebniserzeugung wird wichtiger.
Welle 4: Unternehmensumbau – wenn lokale Produktivität nicht mehr genügt
Der McKinsey-Vergleich auf diesem Blog hat es auf den Punkt gebracht: Agentic AI ist kein Software-Roll-out, es ist Organisationsdesign. Die vierte Welle ist genau das – nicht die nächste Branche auf der Liste, sondern die organisatorische Konsequenz der ersten drei.
Angenommen, die Entwicklung erstellt einen Prototyp schneller, die Rechtsabteilung prüft Verträge früher, das Marketing produziert Materialien mit weniger Aufwand. Trotzdem muss das Unternehmen insgesamt nicht schneller werden: Die Budgetfreigabe dauert Wochen, Teams sind sich über die Zielgruppe uneinig, niemand besitzt die Entscheidungskompetenz für den nächsten Schritt. Das ist der Unterschied zwischen Aufgabenproduktivität und organisatorischer Leistungsfähigkeit.
Anthropics Untersuchung beschreibt neben höherem Output wachsenden Aufwand für Anweisungen, Überwachung und Überprüfung von Agenten; die Besprechungszeit technischer Mitarbeiter ohne Führungsverantwortung nahm zu (Anthropic). Wenn zehn Agenten gleichzeitig liefern, wird aus dem alten Produktionsengpass schnell ein neuer Prüfungsstau.
Die vierte Welle bedeutet deshalb nicht einfach: „KI ersetzt das mittlere Management.“
Manche Koordinationsaufgaben lassen sich leichter automatisieren, andere werden wichtiger. Die zentrale Organisationsfrage lautet: Welche Entscheidungen brauchen menschliche Urteilskraft, welche Aktivitäten können delegiert werden – und wie verbinden wir beides?
Eine KI-gestützte Organisation braucht vielleicht weniger Übergaben, dafür klarere Zuständigkeiten. Ein Copilot-Abonnement ist noch kein neues Betriebsmodell.
Der wirtschaftliche Test: mehr Geschäft pro Mitarbeiter?
Der gemeinsame wirtschaftliche Nenner dieser Wellen ist Hebelwirkung: mehr Geschäft ohne proportionale Vergrößerung der Belegschaft. Umsatz pro Mitarbeiter ist ein interessanter Indikator dafür – aber er erklärt seine eigene Ursache nicht.
Ein KI-natives Unternehmen kann einen hohen Umsatz pro Kopf erreichen, weil seine Beschäftigten KI produktiv einsetzen – oder weil es von enormer Produktnachfrage profitiert, über Recheninfrastruktur skaliert oder Leistungen außerhalb der eigenen Belegschaft bezieht.
Die Kennzahl beschreibt ein Ergebnis, keinen isolierten Produktivitätseffekt. Kosten pro korrekt abgeschlossener Prozessinstanz sind eine operative Effizienzkennzahl; Umsatz pro Mitarbeiter ein Unternehmensergebnis. Echter ROI verlangt zusätzlich Investitionen, Gesamtkosten und zurechenbaren Nutzen über einen Zeitraum – Nutzen kann aus niedrigeren Kosten, höherer Qualität, geringeren Risiken oder zusätzlichem Geschäft entstehen. Umsatz pro Kopf isoliert weder das eine noch den Beitrag des internen KI-Einsatzes. Gerade für Beratungsunternehmen ist diese Unterscheidung entscheidend.
Ein schneller erstellter Bericht schafft zunächst freie Kapazität, nicht automatisch zusätzlichen Umsatz. Die Firma muss mehr Geschäft gewinnen, eine wertvollere Leistung anbieten oder die gewonnene Zeit in bessere Kundenergebnisse investieren.
Wenn alle Wettbewerber denselben Output günstiger erzeugen können, kann die Produktivitätssteigerung beim Kunden ankommen: durch niedrigere Preise statt höhere Margen. Günstigere Erzeugung heißt schließlich nicht günstigere Gesamtleistung – wachsen Kontextaufbau, Agentenschleifen und Kontrolle mit, verschwindet der vermeintliche Gewinn an anderer Stelle. Mehr Effizienz ist keine Garantie für mehr Umsatz pro Kopf – und mehr Code ist nur wertvoll, wenn er ein relevantes Problem löst.
Der Wettbewerbsvorteil liegt nicht in maximaler Ergebnismenge, sondern darin, zusätzliche Produktionskapazität in bezahlten Nutzen zu übersetzen.
Unterschiedliche Geschwindigkeiten sind keine dauerhafte Immunität
Die vier Wellen sind kein fester Fahrplan – sie überlagern sich, und selbst innerhalb eines Berufs können Tätigkeiten sehr unterschiedlich betroffen sein.
Auch geografische Unterschiede lassen sich nicht auf „Amerika handelt, Europa reguliert“ reduzieren: Datenzugang, Integration, Haftung und Kundenanforderungen bestimmen, wie eine konkrete Organisation KI einsetzen kann.
Die Gefahr liegt anderswo: Ein langsamer sichtbarer Wandel kann mit dauerhafter Sicherheit verwechselt werden. McKinseys State-of-AI-Befragung (hier nach dem Blog-Beitrag zitiert) zeigt eine Lücke zwischen Erwartung und berichteter Entwicklung: 32 Prozent erwarteten 2025 einen KI-bedingten Personalrückgang, berichtet für 2026 haben ihn 14 Prozent. Ob sich Aufgaben und Karrierepfade dennoch verändern, muss getrennt geprüft werden – anhand von Junior-Rekrutierung, Aufgabenmix und Lerngelegenheiten.
Hier beginnt das Social Innovator's Dilemma: Institutionen, die um etablierte Karrierewege und Personalmodelle gebaut wurden, müssen just jene Strukturen verändern, denen sie ihren Erfolg verdanken.
Die Aufgabe ist nicht, jede Tätigkeit unverändert zu erhalten, sondern Lernfähigkeit, berufliche Entwicklung und wirtschaftliche Teilhabe unter veränderten Produktionsbedingungen zu sichern – und neu zu beantworten, wie Erfahrung entsteht, Leistung bewertet und Verantwortung verteilt wird.
Fazit: Software ist eine Vorschau, kein Zeitplan
Die Lehre aus der Softwareentwicklung lautet nicht, dass jeder Wissensarbeiter programmieren lernen muss – sondern dass sich das Verhältnis zwischen Expertise und Ausführung verändert. Wenn mehr Ausführung delegierbar wird, verschiebt sich der knappe Beitrag: vom Erstellen der ersten Antwort zur Definition des Problems, zur Bewertung des Ergebnisses und zur Verantwortung für seine Folgen.
Das ist weder automatisch erfolgreich noch ausschließlich positiv. Schlecht gestaltete Einführung kann mehr Output ohne Mehrwert erzeugen, Fehler beschleunigen und jene Lernprozesse schwächen, die zukünftige Experten hervorbringen.
Damit schließt sich der Kreis: Die Zentaurisierung beschreibt das Arbeitsmodell, das GenZ-Dilemma die gefährdeten Lernwege, die ROI-Lücke die unternehmerische Übersetzungsleistung. Werden Einstiegsaufgaben abgebaut, ohne gleichwertige Lerngelegenheiten zu schaffen, gefährdet dieselbe Delegation die Prüfkompetenz, auf die ihr verantwortlicher Einsatz angewiesen ist. Genau deshalb ist die vierte Welle keine Managementmode, sondern der Moment, in dem das Social Innovator's Dilemma zur Organisationsaufgabe wird.
Software ist die erste große Demonstration. Für andere Wissensorganisationen lautet die strategische Frage: Welche Teile dieses Musters sind auf uns übertragbar – und was müssen wir dafür verändern?
Live long and prosper 😉🖖
