Was KI nicht benoten kann: Fähigkeiten

Am 2. Juli 2026 veröffentlichte Phil Chen einen Beitrag über Arbeit und Karriere in einer KI-geprägten Welt. Er ist Gründer und war unter anderem bei Scale AI, DeepMind und OpenAI tätig. Dieser Satz ist bei mir hängen geblieben:

„KI-Modelle werden in allem besser, wofür man eine Loss Function schreiben kann, und Schule besteht größtenteils aus Loss Functions.“

Eine Loss Function ist einfach eine Möglichkeit, ein Ergebnis zu bewerten. Ist die Antwort richtig? Ist der Bericht vollständig? Rechnet das Tabellenmodell korrekt?

Chens Argument ist: Wenn sich eine Aufgabe klar bewerten lässt, werden KI-Systeme darin immer besser werden. Er sagt, die wertvolle Arbeit des nächsten Jahrzehnts sei das, was sich nicht innerhalb eines Modelltrainings benoten lässt. Für ein Unternehmen heißt das nicht, dass jede bewertbare Aufgabe verschwindet. Es heißt: Der menschliche Vorteil verschiebt sich zu Arbeit, die sich nicht auf eine saubere Punktzahl reduzieren lässt.

Für Geschäftsinhaber ist das keine abstrakte Karrieredebatte. Es ist eine brauchbare Frage für die eigene Firma: Wo passt KI hin, und wo nicht?

Ein großer Teil der Wissensarbeit ist bewertbare Arbeit

Vieles, was wir Wissensarbeit nennen, hat eine eingebaute Bewertungsregel.

Ein Bericht wird nach Klarheit, Genauigkeit und Vollständigkeit beurteilt.

Ein Tabellenmodell danach, ob die Zahlen stimmen.

Ein Vertragsentwurf danach, ob die relevanten Klauseln enthalten sind.

Das sind nützliche Aufgaben. Und KI kann dafür schon heute einen brauchbaren ersten Entwurf liefern.

Der Fehler ist, diesen ersten Entwurf mit der ganzen Arbeit zu verwechseln. Ein Entwurf braucht weiterhin Kontext. Ein Modell braucht jemanden, der seine Annahmen hinterfragt. Ein Vertrag braucht eine qualifizierte Prüfung. Je folgenreicher die Arbeit ist, desto weniger sagt eine allgemeine Bewertung über ihre Qualität aus.

Chen sagt nicht, dass Menschen unwichtig werden. Die knappe Arbeit in seinem Beitrag ist, das richtige Problem auszuwählen, „gut“ zu definieren und die letzte Strecke sauber zu Ende zu bringen.

1. Das richtige Problem finden

Ein klar beschriebenes Problem lässt sich leichter lösen als ein schlecht gewähltes.

Dieser Unterschied ist im Unternehmen wichtig. Ein Team kann wochenlang einen Bericht verbessern, während der eigentliche Engpass schon bei der Übergabe davor liegt oder bei der Entscheidung, für die nach dem Bericht niemand zuständig ist.

Problemauswahl heißt, in einen unbekannten Ablauf zu schauen und zu fragen:

• Wo bleibt die Arbeit tatsächlich liegen?
• Welche Entscheidung kommt immer wieder?
• Welche Information fehlt bei dieser Entscheidung?
• Was würde sich ändern, wenn dieser eine Teil klarer oder schneller wäre?

Das ist vor allem eine Frage des Betriebs, nicht des Tools.

Wenn ich an einem AI OS Blueprint arbeite, besteht die wertvolle Arbeit nicht darin, KI clever klingen zu lassen. Es geht darum, sichtbar zu machen, wo im Unternehmen Hebel liegen könnten, die vorhandene Umgebung zu prüfen und zu entscheiden, ob eine begrenzte erste Umsetzung überhaupt sinnvoll ist. Manchmal ist die Antwort KI. Manchmal eine einfachere Prozessänderung. Manchmal lautet sie: später.

2. Die letzte Strecke sauber zu Ende bringen

Im Zusammenhang mit Start-ups zitiert Chen Alfred Lin mit der Idee, dass die letzten 10% eines Projekts 90% der Arbeit und 90% des Nutzens enthalten können.

KI kann aus einem schwachen Prompt einen brauchbaren Entwurf, Prototypen oder eine Analyse machen. Das ist nützlich. Es ist aber noch kein System, auf das sich Menschen jede Woche verlassen können.

Auf der letzten Strecke kommen die unbequemen Fragen:

• Was passiert, wenn die Eingabe unvollständig ist?
• Wer prüft die Ausgabe?
• Was passiert bei einer Eskalation?
• Kann jemand den Ablauf stoppen?
• Ist der Prozess so dokumentiert, dass ihn jemand anderes ausführen kann?
• Nutzt das Team ihn auch nach der Demo wirklich?

Darum beweist eine 30-Sekunden-Demo nur sehr wenig. Die Lücke zwischen einem funktionierenden Prototyp und einem verlässlichen Ablauf ist keine Fußnote. Sie ist die Arbeit.

3. Vertrauen aufbauen, das mitwächst

Chen nennt Zeit, Beziehungen und Ruf als Ressourcen, die knapp bleiben. Tools werden leichter zugänglich. Vertrauen nicht.

Das ist im Unternehmen direkt relevant. Mitarbeitende müssen wissen, wann eine KI-Ausgabe verwendet werden kann und wann sie geprüft werden muss. Kunden müssen wissen, wer für eine Nachricht oder Entscheidung einsteht. Geschäftsinhaber müssen wissen, wer einen Ablauf stoppen kann, wenn er sich falsch verhält.

Das Tool selbst schafft kein Vertrauen. Die Regeln rund um seinen Einsatz machen die Nutzung nachvollziehbar.

Ein Unternehmen, das KI gut einsetzt, hat nicht unbedingt die meisten Tools. Es kann erklären, was jedes Tool tut, wo menschliches Urteil bleibt und wer die nächste Entscheidung verantwortet.

Was das für Ihr Unternehmen bedeutet

Sie müssen kein KI-Forscher werden. In seinem fünften Punkt sagt Chen, er glaube nicht, dass künstliche Superintelligenz alle Menschen ersetzt, die in der Wissensarbeit tätig sind, weil Menschen unterschiedliche Fähigkeiten haben, sinnvolle Probleme für diese Superintelligenz auszuwählen und Kapital einzusetzen, um sie zu lösen. Sein sechster Punkt lautet: Forscher zu sein ist eine Haltung, kein Beruf. In einem kleinen oder mittleren Unternehmen sieht diese Haltung praktisch aus:

1. Wählen Sie einen wiederkehrenden Engpass.
2. Beschreiben Sie, wie ein gutes Ergebnis aussieht.
3. Trennen Sie wiederholbare Arbeit von Arbeit, die viel Urteil braucht.
4. Testen Sie eine begrenzte Veränderung.
5. Prüfen Sie das Ergebnis mit den Menschen, die damit arbeiten müssen.

Die Beschreibung von „gut“ ist Ihr Arbeitsmaßstab. Sie gibt einem KI-unterstützten Ablauf ein Ziel und dem Menschen einen klaren Punkt, an dem er die Ausgabe ablehnen kann.

Unternehmen werden nicht allein deshalb von KI profitieren, weil sie das beste Modell nutzen. Sie müssen entscheiden können, was menschlich bleibt, was KI-unterstützt wird und was sicher delegiert werden kann.

Das ist zuerst eine Führungsentscheidung und erst danach eine Technologieentscheidung.

Die eigentliche Frage

Für eine bestimmte Person oder ein bestimmtes Unternehmen hängt die Antwort nicht von Optimismus ab, sondern von Übung.

Können Sie das Problem erkennen, das sich zu lösen lohnt? Können Sie „gut“ beschreiben? Können Sie die letzte Strecke fertig machen? Können Menschen dem Ergebnis vertrauen?

Das sind keine leicht benotbaren Fähigkeiten. Es sind weiterhin Geschäftsfähigkeiten.

Quelle

Phil Chen, „Career advice in the age of AI“, X, 2. Juli 2026: https://x.com/philhchen/status/2072793818945167475