Training Ladder

Was ist die Training Ladder?

Die Training Ladder ist das traditionelle Karriereentwicklungsmodell in professionellen Dienstleistungen – Jura, Beratung, Finanzen, Medizin – bei dem Berufseinsteiger niedrigwertige Arbeit gegen Mentoring von Experten eintauschen. Ein Analyst bei McKinsey erstellt PowerPoint-Folien; ein Junior Associate in einer Anwaltskanzlei überprüft Verträge; ein Assistenzarzt macht die Patientenaufnahme. Die Arbeit selbst ist nicht hochqualifiziert, aber sie schafft einen wirtschaftlichen Austausch: Die Arbeit des Berufseinstegers subventioniert seine Ausbildung.

LSE-Ökonom Luis Garicano formalisierte dies als das „AI Becker Problem”, aufbauend auf Gary Beckers grundlegender Arbeit über Humankapital. In Beckers ursprünglicher Theorie werden Unternehmen nicht in allgemeine Ausbildung investieren (Fähigkeiten, die zu anderen Arbeitgebern übertragbar sind), es sei denn, die Arbeitnehmer „bezahlen” irgendwie dafür. Die Training Ladder ist der implizite Vertrag, der dies löst: Berufseinsteiger akzeptieren niedrige Löhne und langweilige Aufgaben; im Gegenzug erhalten sie implizites Wissen – Expertise, die nicht in der Schule gelehrt werden kann.

Warum KI die Training Ladder bedroht

KI-Sprachmodelle können jetzt viele der Aufgaben ausführen, die Berufseinsteiger traditionell nutzten, um für ihre Ausbildung zu bezahlen:

• Vertragsüberprüfung - KI kann juristische Dokumente so gut analysieren wie ein Junior Associate
• Grundlagenrecherche - Deep-Research-Tools können tun, wofür McKinsey-Analysten Wochen brauchen
• Folienerstellung - KI kann Präsentationen generieren, die nur noch Senior-Bearbeitung benötigen
• Finanzmodellierung - Routinemäßige Spreadsheet-Arbeit wird zunehmend automatisiert

Wenn KI diese Arbeit besser und günstiger erledigt, wird die „Währung” des Berufseinsteiger wertlos. Warum sollte ein Partner einen Analysten einstellen, wenn Claude die Grundlagenrecherche machen kann? Dies bricht die ökonomische Logik der Training Ladder.

Hauptmerkmale

Weitergabe von implizitem Wissen: Die Training Ladder geht nicht nur um Aufgabenerledigung – sie ist die Art, wie Fachkräfte Dinge lernen, die in keinem Handbuch stehen. Wie man mit einem schwierigen Kunden umgeht. Wie man organisatorische Politik navigiert. Wie man weiß, welche Details wichtig sind. Dieses Wissen wird durch Nähe zu Experten übertragen, nicht durch Lesen.

Das Währungsproblem: Wie Garicano es ausdrückt, bezahlen Berufseinsteiger für die Ausbildung „nicht in Dollar, sondern in einfachen Aufgaben”. Wenn KI einfache Aufgaben entwertet, haben Berufseinsteiger keine Währung. Unternehmen könnten Berufseinsteiger fürs Lernen bezahlen, aber das kehrt die traditionelle Ökonomie vollständig um.

Marktversagensrisiko: Wenn Training Ladders zusammenbrechen, wer produziert dann die nächste Generation von Experten? Aktuelle Seniors gehen in Rente; KI kann (noch) nicht das Urteilsvermögen liefern, das aus Jahrzehnten der Erfahrung kommt. Die Wirtschaft könnte in 15-20 Jahren mit einer Qualifikationslücke konfrontiert sein.

Beweise für die Störung der Training Ladder

Zwei Studien aus August-September 2025 zeigen systematische Beweise für den Rückgang der Einstellung von Berufseinsteigern:

1. “Seniority-Based Technological Change” (Likenberg & Hosseini): Analyse von 62 Millionen Arbeitnehmern zeigt, dass KI-exponierte Berufe stabile oder wachsende Senior-Beschäftigung, aber sinkende Junior-Beschäftigung aufweisen – speziell durch reduzierte Einstellungen, nicht Entlassungen.

2. “Canaries in the Coal Mine” (Erik Brynjolfsson et al.): Arbeitnehmer im Alter von 22-25 Jahren zeigen klare Beschäftigungsrückgänge in KI-exponierten gegenüber nicht-KI-exponierten Berufen.

Warum die Training Ladder wichtig ist

Das Training-Ladder-Problem deutet darauf hin, dass die Auswirkungen von KI auf Wissensarbeit subtiler und langfristiger sein könnten als Massenentlassungen:

1. Stille Entlassung: Keine dramatischen Kündigungen, nur weniger ausgeschriebene Einstiegspositionen
2. Expertiseerosion: Aktuelle Experten bleiben produktiv, aber die Pipeline zukünftiger Experten trocknet aus
3. Verlust von implizitem Wissen: Institutionelles Gedächtnis und professionelles Urteilsvermögen werden nicht mehr übertragen
4. Verstärkung der Ungleichheit: Senior-Experten gewinnen Hebelwirkung; Berufseinsteiger verlieren ihren Weg zur Expertise

Organisationen, die KI-Agenten einsetzen, müssen bewusst Lösungen für die Ausbildung finden – was Garicano als Gestaltung des „Verhältnisses” bezeichnet, bei dem die Produktivitätsgewinne der Experten groß genug sind, um die Einstellung und Ausbildung von Berufseinsteigern weiterhin zu rechtfertigen.

Weiterführende Literatur

• Supervision Threshold - Das Autonomieniveau, bei dem KI keine Junior-Aufsicht mehr benötigt
• Human-in-the-Loop - Das Aufsichtsmodell, das Berufseinsteiger relevant hält
• Enterprise AI - Wo Training-Ladder-Effekte am sichtbarsten sind