Warum KI deinen Job nicht ersetzen wird: Die entscheidende Grenze zwischen Aufgaben und Berufen

In den Nachrichten vergeht kein Tag ohne Schlagzeilen über KI-gestützte Stellenstreichungen, Milliardeninvestitionen und Versprechungen autonomer KI-Agenten. Mein LinkedIn Feed ist ständig voll davon… Die Sorge ist natürlich verständlich: Was passiert mit meiner Karriere?

Eine wissenschaftliche Arbeit von Forschern der Princeton University (Kirgis et al., arXiv:2607.27191) bringt genau hier Licht ins Dunkel. Die Forscher gaben modernsten KI-Agenten (wie Opus 4.8) sechs Tage Zeit, tausende Dollar Budget, GPU-Rechenleistung und alle Werkzeuge inklusive Internetzugriff, um eigenständig KI-Forschung auf Spitzenniveau (NeurIPS-Kaliber) zu betreiben.

Das Ergebnis? Die eingereichten Arbeiten wurden von den Fachexperten einstimmig abgelehnt.

Warum? Weil wir in der Diskussion rund um KI zwei Dinge ständig verwechseln: Aufgaben und Berufe.

Das Princeton-Experiment: Wenn KI-Agenten Forschung betreiben sollen

Das Experiment sollte testen, was passiert, wenn KI-Agenten (getestet u. a. mit Opus 4.8) eine zentrale, ergebnisoffene Forschungsfrage aus unveröffentlichten Spitzenarbeiten übernehmen und weiterführen sollen. Die Agenten konnten ihr Budget, ihre Rechenzeit und ihren Code selbst verwalten – genau wie ein menschlicher Forscher.

Die anschließende Bewertung durch die ursprünglichen Autoren der Studien war eindeutig: Die KI-Agenten meisterten zwar technische Teilaufgaben (Recherche, Programmierung, Durchführung von Experimenten), versagten aber auf der Ebene des Gesamtzusammenhangs.

Die Forschenden identifizierten 5 fundamentale Schwachstellen von KI-Agenten bei komplexen Aufgaben im akademischen Bereich:

1. Kein Qualitätsbewusstsein: Sie erkennen nicht, wann ein Ergebnis gut genug für die Praxis ist oder wann ein Paper tatsächlich wissenschaftlichen Mehrwert bietet.
2. Keine kreative Problemlösung: Kein guter Umgang mit negativem Feedback um einen neuen Weg einzuschlagen und zu einer kreativen Lösung zu kommen.
3. Bleiben in Sackgassen stecken: Wenn ein Ansatz in die falsche Richtung läuft, konnten die KI Agenten das nicht sinnvoll erkennen und ihre Vorgehensweise nicht grundlegend hinterfragen oder neu denken.

(Das merke ich beim Entwickeln selbst auch oft, dass die einzigen wirklichen Anstöße nur von mir kommen. Die KI Agenten schlagen immer nur kleine Änderungen oder Verbesserungen vor.)

4. Fehlendes Kontext- & Zeitgefühl: Sie brechen oft vorzeitig ab, verschwenden Ressourcen oder nutzen diese nicht voll aus (manche Agenten erklärten die Arbeit nach wenigen Stunden für beendet, obwohl noch 50 % des Budgets und tagelang Zeit da waren).
5. Verwässerung von Anweisungen: Mit der Zeit ignorieren sie vorgegebene Leitplanken (Instruction Drift). Durch das begrenzte Kontextfenser muss der Kontext immer wieder komprimiert werden, das führt unweigerlich zu Verlusten. Je länger die Aufgaben, desto schlimmer der Effekt.

Warum LLMs keine Berufe übernehmen können: Die mathematische Grenze

Warum stoßen Sprachmodelle an diese Grenzen? Liegt es nur daran, dass die Modelle noch nicht ausgereift genug sind?

Der Informatiker und Turing-Award-Gewinner Judea Pearl liefert mit seiner Ladder of Causation (Stufen der Kausalität) den mathematischen Beweis, warum heutige LLMs hier scheitern müssen:

• Stufe 1: Sehen (Assoziation) – Was beobachten wir? (Muster und Korrelationen erkennen)
• Stufe 2: Handeln (Intervention) – Was passiert, wenn ich gezielt etwas ändere?
• Stufe 3: Sich Etwas Vorstellen (Kontrafaktisches Denken) – Was wäre gewesen, wenn ich mich anders entschieden hätte?

LLMs sind im Kern extrem leistungsfähige Statistiker. Sie sagen das wahrscheinlichste nächste Wort voraus (Next-Token-Prediction). Damit verharren sie dauerhaft auf Stufe 1.

Pearl hat mathematisch bewiesen: Daten einer niedrigeren Stufe können niemals Fragen einer höheren Stufe beantworten. Auch eine Trillion Datenpunkte aus Texten ersetzen kein echtes Handeln, kein Testen in der echten Welt und kein kausales Hinterfragen.

Denken entsteht nicht durch Sprache

Auch die Kognitionswissenschaft bestätigt das: Sprache ist nicht die Quelle unseres Denkens, sondern nur das Werkzeug zur Kommunikation.

Studien des MIT an Menschen mit Aphasie (einer Sprachstörung nach Hirnschädigungen) zeigen, dass Betroffene weiterhin komplexe Logik- und Ursache-Wirkungs-Probleme lösen können – obwohl das Sprachzentrum völlig inaktiv ist. Wenn KI-Labore von „Thinking“ oder „Reasoning“ sprechen und die Modelle lange Textketten generieren, ist das kein echtes Denken, sondern lediglich erweiterte Rechenzeit über Textschleifen.

Aufgaben vs. Berufe: Wo der Unterschied liegt

Um den Unterschied im Alltag zu verstehen, hilft ein Blick auf klassische Tätigkeiten:

🔹 Eine Aufgabe ist klar strukturiert, verifizierbar und folgt bekannten Mustern: Daten analysieren, Code schreiben, Literatur zusammenfassen. Hier glänzt KI und kann einzelne Aufgaben schon heute übernehmen.

🔹 Ein Beruf ist ein komplexes System. Er verlangt das Hinterfragen des „Warum?“, Kontextverständnis, strategisches Urteilsvermögen und menschliche Empathie sowie das Treffen von Entscheidungen mit Konsequenzen.

Ein historischer Blick: Die Aufgaben wandern weiter

Dass KI Aufgaben übernimmt, heißt nicht, dass Berufe verschwinden. Die Geschichte zeigt, dass Automatisierung die Nachfrage oft sogar erhöht:

• Als die Waschmaschine erfunden wurde, führte das nicht zu Untätigkeit. Die Haushaltsautomatisierung stieg parallel mit dem Eintritt von Frauen in den Arbeitsmarkt – weil Ansprüche stiegen und Zeit für höherwertige Tätigkeiten frei wurde.
• Als Compiler beim Programmieren eingeführt wurden, musste niemand mehr händisch Maschinencode tippen. Anstatt dass Programmierer arbeitslos wurden, explodierte die Zahl der Entwickler weltweit, weil die Einstiegshürden sanken und die Nachfrage nach Software riesig wurde.

Technologie verschiebt die Aufgaben immer eine Ebene höher.

Fazit: Die neue Mangelware und eine schleichende Gefahr

Informationen sind längst keine Mangelware mehr. KI wird diesen Überfluss noch weiter verstärken.

Was im KI-Zeitalter wirklich knapp und wertvoll wird, sind Urteilsvermögen, kritisches Denken und Kontextverständnis (Judgment).

Was ironischer Weise genau das ist, was durch viele Nutzung von KI immer schlechter wird… Denn wer das Denken, Hinterfragen und Steuern komplett an die KI abgibt, verliert auf Dauer genau die Fähigkeit, die den eigenen Beruf wertvoll macht.

Wer sich nicht nur fragt „Wie führe ich eine Aufgabe aus?“, sondern „Warum tun wir das überhaupt und für wen?“, bleibt unersetzbar. KI ersetzt nicht deinen Job – aber Menschen, die KI clever als Sparringspartner nutzen, werden Aufgaben schneller und besser erledigen.

Quellen:

• Kirgis, P., Kapoor, S., Narayanan, A. et al. (2026): Can AI agents conduct open-ended AI research? Early evidence from two case studies. arXiv:2607.27191 (https://arxiv.org/pdf/2607.27191)
• Pearl, J., & Mackenzie, D. (2018): The Book of Why: The New Science of Cause and Effect.
• Narayanan, A., & Kapoor, S. (2024): AI Snake Oil.