Das Training-Ladder-Problem: Warum KI die Art und Weise verändert, wie Fachkräfte ihr Handwerk erlernen

Perspektive

Luis Garicano ist Professor an der London School of Economics, der seit Jahrzehnten Wissenshierarchien und Organisationsökonomie erforscht. In diesem EPOCH AI-Interview präsentiert er eine der ernüchterndsten Analysen über die Auswirkungen von KI auf professionelle Arbeit – nicht durch Massenentlassungen, sondern durch das stille Verschwinden von Einstiegspositionen. Seine Forschung offenbart eine versteckte Krise: Die „Training Ladder", die Berufseinsteiger zu Experten macht, wird durch genau die Werkzeuge demontiert, die sie produktiver machen sollen.

Über den menschlichen Flaschenhals: "As long as the AI needs your supervision because it makes lots of mistakes, then the bottleneck is the human." (Solange die KI deine Überwachung braucht, weil sie viele Fehler macht, ist der Mensch der Flaschenhals.) Dies ist die Kernspannung, die Garicano identifiziert – KI-Produktivitätsgewinne werden durch die menschliche Überwachungskapazität begrenzt, bis KI die „Supervision Threshold" zur echten Autonomie überschreitet. Wir befinden uns in einer Phase der Augmentierung, nicht des Ersatzes, was tatsächlich das Aufwärtspotenzial begrenzt.

Über seniorbasierte technologische Veränderung: "In the AI exposed occupations, you don't see anything happen to senior employment. You see it growing. You see junior employment really dropping. And the way it's dropping is through hiring." (In den KI-exponierten Berufen sieht man keine Auswirkungen auf die Beschäftigung von Seniors. Man sieht sie wachsen. Man sieht die Beschäftigung von Berufseinsteigern wirklich fallen. Und sie fällt durch Einstellungen.) Garicano zitiert zwei Studien vom August 2025, die 62 Millionen Arbeitnehmer analysieren und zeigen, dass dies nicht anekdotisch ist – es ist systematisch. McKinsey-Partner werden nicht ersetzt; sie stellen nur keine neuen Analysten mehr ein.

Über den gebrochenen Ausbildungsvertrag: "The apprentice is paying not in dollars, it's paying in menial tasks... If the AI can do the basic research at McKenzie, can do the contract review at Cravath, then how do you pay for your training?" (Der Lehrling zahlt nicht in Dollar, er zahlt in einfachen Aufgaben... Wenn die KI die Grundlagenrecherche bei McKinsey machen kann, die Vertragsüberprüfung bei Cravath machen kann, wie bezahlst du dann deine Ausbildung?) Berufseinsteiger tauschten historisch Routinearbeit gegen Lernen von Experten. Wenn KI diese Routinearbeit übernimmt, bricht die ökonomische Logik der Meister-Lehrling-Beziehung zusammen.

Über den Superstar-Effekt: "A very good AI programmer with lots of AI can have enormous leverage and can reach very large market size." (Ein sehr guter KI-Programmierer mit viel KI kann eine enorme Hebelwirkung haben und eine sehr große Marktgröße erreichen.) So wie Messi 500 Millionen Zuschauer erreichen kann, können Top-KI-Ingenieure jetzt Vergütungspakete von 100 Millionen Dollar erzielen. Die Aufspaltung ist real: Komplemente an der Spitze, Substitute am unteren Ende.

Über regulatorische Fragmentierung: "We are in a game theoretical situation between China and the US. I don't think the possibility of slowing things down exists... Who is 'we' here? Is it China, is the US? Is it firms? Is it workers?" (Wir befinden uns in einer spieltheoretischen Situation zwischen China und den USA. Ich glaube nicht, dass die Möglichkeit besteht, die Dinge zu verlangsamen... Wer ist hier 'wir'? Ist es China, sind es die USA? Sind es Unternehmen? Sind es Arbeitnehmer?) Garicano widerspricht Daron Acemoglus Optimismus über die Steuerung von Technologie – es gibt keinen einheitlichen Akteur, der eine Verlangsamung koordinieren kann.

Wichtige Erkenntnisse

• Berufseinsteiger werden still entlassen, nicht gefeuert - Die Verschiebung zeigt sich in Einstellungsstopps, nicht in Entlassungen, was es schwieriger macht, sie zu erkennen, bis die Pipeline zukünftiger Experten bereits unterbrochen ist
• Die Supervision Threshold bestimmt alles - KI wechselt von Komplement zu Substitut in dem Moment, in dem sie die Qualitätsgrenze überschreitet, bei der Menschen ihre Ausgabe nicht mehr verbessern können
• Die Weitergabe von implizitem Wissen ist gefährdet - Expertise, die in keinem Handbuch steht – wie man mit Kunden umgeht, Organisationen navigiert – könnte vollständig aufhören, übertragen zu werden
• Die Ökonomie der Superstars verstärkt sich - Die an der Spitze gewinnen Hebelwirkung, während diejenigen unterhalb der Autonomieschwelle Lohndruck erfahren
• Das kurzfristige BIP könnte fallen, auch wenn das Wohlergehen steigt - Wenn juristische und medizinische Dienstleistungen kostenlos werden, steigt der Konsumentenüberschuss, aber die gemessene Wirtschaftsleistung könnte während des Übergangs schrumpfen
• DSGVO und EU AI Act könnten nach hinten losgehen - "Ein Teil des Risikos besteht darin, dass man versucht, die Technologie zu kontrollieren, und am Ende ohne Technologie dasteht"

Das große Ganze

Garicanos Analyse offenbart ein Paradoxon im Herzen der KI-Augmentierung: Die Werkzeuge, die Berufseinsteigern helfen sollen, schneller zu lernen, könnten tatsächlich die ökonomische Begründung eliminieren, sie überhaupt auszubilden. Wenn KI die Vertragsüberprüfung, die PowerPoint-Folien und die Grundlagenrecherche übernimmt, welche Währung hat der Lehrling noch, um für Mentoring zu bezahlen? Es geht nicht darum, dass KI Experten ersetzt – es geht darum, dass KI verhindert, dass die nächste Generation zu Experten wird. Für Organisationen, die KI-Agenten einsetzen, lautet die Frage nicht nur „Welche Aufgaben können wir automatisieren?", sondern „Welche Ausbildungswege zerstören wir?"