Warum Unternehmen ausgerechnet die Erfahrung aussortieren, die sie für KI brauchen

KI kann Aufgaben schneller erledigen, Wissen zugänglicher machen und weniger erfahrene Menschen unterstützen. Doch damit daraus ein funktionierender Geschäftsprozess wird, braucht es etwas, das in vielen Transformationsplänen zu kurz kommt: Erfahrung.

Stellen wir uns ein Unternehmen vor, das Kosten senken will. Eine erfahrene Mitarbeiterin verlässt die Firma mit einer Abfindung. Ein paar Monate später startet das Unternehmen ein KI-Projekt und holt externe Berater ins Haus.

Die stellen dann Fragen wie:

Wie läuft dieser Prozess eigentlich wirklich?
Warum werden bestimmte Kunden anders behandelt?
Was passiert, wenn die Daten aus System A nicht zu System B passen?
Wer entscheidet bei einem Sonderfall?
Und warum steht in der Dokumentation etwas anderes als das, was die Abteilung jeden Tag tut?

Die Mitarbeiterin, die das alles hätte beantworten können, ist nicht mehr da.

Das ist ein zugespitztes Szenario. Es ist kein Beleg dafür, dass Unternehmen überall gezielt ältere Beschäftigte entlassen, um sie durch KI zu ersetzen. Aber es beschreibt einen Widerspruch, den Unternehmen bei ihrer KI-Strategie ernst nehmen sollten:

Wer Prozesse mit KI verbessern will, muss zuerst verstehen, wie diese Prozesse funktionieren. Und dieses Wissen steckt häufig in Menschen, die seit Jahren mit ihnen arbeiten.

Die teure Verwechslung von Erfahrung und Kosten

In einer Kostenrechnung ist eine erfahrene Fachkraft leicht zu erkennen. Da steht ein Gehalt. Vielleicht liegt es über dem eines Berufseinsteigers. Dazu kommen Sozialleistungen, Weiterbildungen und andere Kosten.

Schwieriger wird es bei der Frage, was genau das Unternehmen für dieses Geld bekommt.

Natürlich: eine Stellenbeschreibung, eine Liste von Aufgaben, vielleicht ein paar messbare Ergebnisse. Aber ein großer Teil des Werts steht nicht darin.

Eine erfahrene Mitarbeiterin weiß zum Beispiel:

welcher Kunde eine Sonderregelung hat und warum;
welche Daten zwar vollständig aussehen, aber häufig falsch sind;
welche Schnittstelle nach einer Änderung besonders sorgfältig geprüft werden muss;
an welcher Stelle ein Prozess in der Praxis regelmäßig stockt;
wann ein formal korrektes Ergebnis trotzdem nicht akzeptabel ist.

Dieses Wissen entsteht nicht an einem Tag. Es bildet sich über Jahre aus Entscheidungen, Fehlern, Ausnahmen und Gesprächen.

Und oft wird sein Wert erst sichtbar, wenn es fehlt.

Genau hier liegt ein mögliches Problem bei Transformationen: Die Einsparung ist sofort messbar. Der Wissensverlust zeigt sich später — und oft an einer anderen Stelle im Unternehmen.

Das muss nicht bedeuten, dass jede Personalentscheidung falsch ist oder dass jede erfahrene Person automatisch unersetzbar wäre. Es bedeutet nur: Wer allein auf die Kosten einer Stelle schaut, sieht möglicherweise nicht die ganze Rechnung.

Unternehmen suchen KI-Anwendungen — und übersehen das Wissen im eigenen Haus

Besonders aufschlussreich finde ich eine Untersuchung des Instituts für Arbeitsmarkt- und Berufsforschung, kurz IAB.

Von den Betrieben, die im zweiten Halbjahr 2025 weder KI einsetzten noch deren Einführung planten, gaben 88 Prozent an, keine passenden Anwendungsmöglichkeiten zu sehen.

Das ist eine wichtige Einschränkung: Die Zahl bezieht sich auf Betriebe ohne Nutzung und ohne entsprechende Planung, nicht auf alle deutschen Unternehmen.

Das IAB weist zugleich darauf hin, dass auch unter Betrieben mit Tätigkeiten, die grundsätzlich ein hohes KI-Potenzial aufweisen könnten, häufig keine passenden Anwendungsfälle gesehen wurden. Das kann auf ungenutztes Potenzial hindeuten. Es beweist allerdings nicht, dass für jeden dieser Betriebe ein wirtschaftlich sinnvoller KI-Einsatz existiert. Quelle: IAB-Forum, Oktober 2026

Ich glaube, darin steckt eine entscheidende Frage: Wer im Unternehmen kann überhaupt erkennen, wo ein KI-Einsatz sinnvoll wäre?

Die Antwort lautet selten: allein die Person, die das neueste Modell kennt.

Ein KI-Entwickler kann einschätzen, was technisch machbar ist. Die Fachabteilung weiß, wo Arbeit liegen bleibt, wo Entscheidungen schwierig werden und welche Fehler wirklich teuer sind.

Beides muss zusammenkommen.

Nehmen wir eine Spedition. Ein technisches Team könnte vorschlagen, eingehende E-Mails automatisch zusammenzufassen. Das klingt vernünftig. Die erfahrene Disponentin weiß aber vielleicht, dass der eigentliche Zeitfresser woanders liegt: bei Rückfragen zu unvollständigen Lieferdaten, kurzfristigen Änderungen und Sonderbedingungen einzelner Kunden.

Das bessere KI-Projekt entsteht, wenn jemand diese beiden Perspektiven verbindet.

Das eigentliche Problem ist oft nicht das Alter

Bei diesem Thema landen wir schnell in einer Altersdebatte: junge Menschen mit KI-Kompetenz gegen ältere Menschen mit Berufserfahrung.

Ich halte das für zu einfach.

Es gibt 28-Jährige mit hervorragendem Prozessverständnis und 58-Jährige, die Coding Agents souverän einsetzen. Es gibt erfahrene Führungskräfte, die Veränderungen blockieren, und Berufseinsteiger, die Unternehmensabläufe schneller verstehen als ihre Vorgesetzten.

Alter ist weder eine Qualifikation noch ein Gegenargument.

Trotzdem können Altersvorurteile eine Rolle spielen. Eine Untersuchung des Bundesinstituts für Berufsbildung auf Grundlage von Betriebsdaten zeigt, dass stereotype Altersbilder mit Entscheidungen über Einstellung und Weiterbildung zusammenhängen können. In stärker digitalisierten Betrieben fiel der benachteiligende Zusammenhang bei Weiterbildungsentscheidungen geringer aus. Quelle: BIBB, September 2026

Das beweist nicht, dass ältere Beschäftigte wegen KI systematisch aussortiert werden. Es zeigt aber, dass Unternehmen bei der Bewertung von Menschen nicht immer frei von Vorannahmen sind.

Wenn die Frage lautet, wer ein neues KI-Werkzeug am schnellsten ausprobiert, hilft der Blick auf die tatsächliche Kompetenz. Wenn die Frage lautet, wer einen komplexen Geschäftsprozess beurteilen kann, ebenso.

Eine Geburtsurkunde beantwortet keine der beiden Fragen.

Was KI tatsächlich ersetzen kann — und was nicht so einfach

Jetzt könnte man einwenden: Vielleicht brauchen Unternehmen dieses Erfahrungswissen bald gar nicht mehr. Vielleicht kann eine KI es doch übernehmen.

Die ehrliche Antwort lautet: Teilweise ja.

Eine Untersuchung, veröffentlicht im Quarterly Journal of Economics, hat den Einsatz eines KI-Assistenten bei 5.172 Beschäftigten im Kundensupport betrachtet. Im Durchschnitt stieg die Zahl gelöster Anliegen pro Stunde um 15 Prozent. Weniger erfahrene und weniger leistungsstarke Beschäftigte profitierten besonders stark; bei ihnen lag der Zuwachs bei rund 30 Prozent. Quelle: Brynjolfsson, Li und Raymond, 2025

Das ist bemerkenswert. Es zeigt, dass KI Menschen bei konkreten Aufgaben schneller auf ein höheres Leistungsniveau bringen kann.

Aber die Studie untersucht einen bestimmten Einsatz in einem Unternehmen. Daraus lässt sich nicht ableiten, dass KI die gesamte Berufserfahrung eines Menschen oder jede andere Tätigkeit ersetzt.

Eine KI kann beispielsweise bei einer Kundenanfrage einen Antwortvorschlag machen. Sie kann relevante Informationen zusammenführen und auf frühere Fälle verweisen. Das kann viel Zeit sparen.

Eine andere Frage ist, ob sie erkennt, dass dieser Kunde gerade kurz davorsteht, einen wichtigen Vertrag zu kündigen. Oder dass die vorgeschlagene Antwort zwar sachlich richtig ist, aber eine seit Jahren aufgebaute Beziehung beschädigen würde.

Manches davon lässt sich der KI mitgeben. Manches lässt sich dokumentieren. Aber jemand muss zunächst erkennen, welcher Kontext wichtig ist, und beurteilen, ob das Ergebnis in der konkreten Situation trägt.

Auch die Unternehmen selbst scheinen hier vorsichtig zu sein. In einer ifo-Befragung hielten es 62,7 Prozent der KI-nutzenden Unternehmen für schwer oder unmöglich, eine erfahrene Arbeitskraft durch eine unerfahrene, KI-unterstützte Person zu ersetzen. Rund 15 Prozent hielten das für leicht oder sehr leicht.

Wichtig: Das sind Einschätzungen von Unternehmen, keine Messung der tatsächlichen Ersetzbarkeit. Quelle: ifo Institut, Juni 2026

Die Zahlen sprechen für eine differenzierte Sicht: KI kann Erfahrung bei bestimmten Aufgaben teilweise kompensieren. Wie weit das trägt, hängt vom Prozess, der Qualitätssicherung und der Verantwortung ab, die an der Aufgabe hängt.

Wenn KI von Erfahrung lernt: Wer erzeugt morgen das Wissen?

An dieser Stelle wird es noch interessanter.

In der Kundensupport-Studie fanden die Forschenden Hinweise darauf, dass weniger erfahrene Beschäftigte mit KI sprachlich stärker wie die leistungsstärkeren Kolleginnen und Kollegen arbeiteten. Gute Beispiele erfahrener Mitarbeitender spielten bei dem untersuchten System eine Rolle.

Das wirft eine Frage auf, die über einzelne Stellen hinausgeht:

Woher kommt das nächste gute Beispiel, wenn niemand mehr die Zeit oder Gelegenheit hat, Erfahrung aufzubauen?

Ein Unternehmen kann sein heutiges Wissen dokumentieren und für KI-Systeme zugänglich machen. Das ist sinnvoll. Aber Prozesse ändern sich. Kunden stellen neue Anforderungen. Neue Produkte entstehen. Regeln werden angepasst. Bisher seltene Sonderfälle werden plötzlich zum Alltag.

Ein Wissensbestand, der nicht gepflegt wird, veraltet.

Deshalb reicht es nicht, erfahrene Menschen einmal zu befragen, ihre Antworten in eine Datenbank zu schreiben und das Thema für erledigt zu erklären. Unternehmen müssen auch dafür sorgen, dass Wissen weiter entsteht, überprüft und weitergegeben wird.

Und das betrifft ausdrücklich auch jüngere Beschäftigte. Wer nur noch KI-Vorschläge abarbeitet und nie lernt, schwierige Fälle selbst zu verstehen, wird später womöglich weniger gut beurteilen können, wann die KI falschliegt.

Gute KI-Einführung sollte deshalb beides ermöglichen: Unterstützung bei der Arbeit und den Aufbau eigener Kompetenz.

Warum KI-Projekte ohne Fachwissen ins Leere laufen

Bei KI wird gern über Modelle, Daten und Werkzeuge gesprochen. Diese Dinge sind wichtig. Aber sie beantworten noch nicht die entscheidenden Fragen:

Welches Problem wollen wir lösen?
Woran erkennen wir eine gute Lösung?
Welche Fehler sind akzeptabel — und welche nicht?
Wer darf eine Entscheidung freigeben?
Was passiert, wenn die KI unsicher ist?
Wie prüfen wir, ob der neue Ablauf tatsächlich besser ist?

Das sind keine rein technischen Fragen.

Eine KI kann beispielsweise Rechnungsdaten auslesen und kategorisieren. Doch bevor sie Zahlungen vorbereitet, muss klar sein, welche Belege ausreichend sind, wie Abweichungen behandelt werden und wer im Zweifel entscheidet.

Ein KI-Agent kann Code schreiben. Aber jemand muss beurteilen, ob die Änderung zu den bestehenden Systemen passt, welche Daten betroffen sind und welche Fehler in der Produktion kritisch wären.

Ein Assistent kann Kundenanfragen beantworten. Aber jemand muss festlegen, wann eine Antwort automatisch rausgehen darf und wann ein Mensch übernehmen muss.

Je mehr Handlungsspielraum ein KI-System bekommt, desto wichtiger werden Prozesswissen, klare Grenzen und überprüfbare Ergebnisse.

Das gilt unabhängig davon, ob man ein solches System „Agent“, „Assistent“ oder „Automatisierung“ nennt.

Vier Kompetenzen, die zusammengehören

Wenn Unternehmen Menschen für KI-Projekte auswählen, sollten sie aus meiner Sicht nicht nur fragen: „Wer kennt sich mit KI aus?“

Die bessere Frage lautet: Welche Kompetenzen brauchen wir gemeinsam, damit dieser Prozess zuverlässig funktioniert?

Für mich gehören vier Bereiche zusammen.

1. Domänenwissen

Wie funktioniert das Geschäft tatsächlich? Welche Regeln gelten? Wo gibt es Ausnahmen? Was erwarten Kunden? Welche Probleme tauchen immer wieder auf?

Dieses Wissen kommt oft aus der täglichen Arbeit. Es steht nur teilweise in Handbüchern.

2. Systemverständnis

Welche Anwendungen, Daten und Schnittstellen hängen zusammen? Was passiert an anderer Stelle, wenn wir hier etwas ändern? Welche technischen und organisatorischen Abhängigkeiten gibt es?

Gerade in gewachsenen Unternehmen kann eine kleine Änderung überraschend große Folgen haben.

3. KI- und Umsetzungskompetenz

Welche Aufgaben eignen sich für ein Modell? Wie formuliert man einen Auftrag? Wie integriert man Werkzeuge? Wie testet man Ergebnisse? Wie begrenzt man, was ein Agent selbstständig tun darf?

Das ist erlernbar. Nicht jeder muss dafür Softwareentwickler werden, aber im Team muss diese Kompetenz vorhanden sein.

4. Urteilsfähigkeit

Ist das Ergebnis richtig, vollständig und für die Situation angemessen? Welche Risiken bleiben? Wann muss jemand nachfragen oder eingreifen?

Gerade weil KI oft überzeugend formuliert, braucht es Menschen, die nicht nur das Ergebnis lesen, sondern es beurteilen können.

Keine einzelne Person muss alles perfekt beherrschen. Aber ein Team, dem einer dieser Bereiche vollständig fehlt, baut auf einem wackligen Fundament.

Eine mögliche neue Rolle: die Brücke zwischen Fachbereich und KI

Ich würde erfahrene Fachkräfte deshalb viel häufiger in einer Rolle sehen, die man vorläufig KI-Domänenverantwortliche nennen könnte.

Der Titel ist nicht entscheidend. Die Aufgabe schon.

Diese Person müsste nicht selbst jedes Modell konfigurieren oder jede Schnittstelle programmieren. Sie würde gemeinsam mit einem technischen Team dafür sorgen, dass ein KI-System ein reales Problem löst und dabei die fachlichen Anforderungen erfüllt.

Dazu könnte gehören:

Einen geeigneten Prozess auswählen.
Den tatsächlichen Ablauf mit seinen Ausnahmen beschreiben.
Gute und schlechte Ergebnisse anhand echter Beispiele unterscheiden.
Testfälle und kritische Sonderfälle zusammentragen.
Gemeinsam mit dem Team die Ergebnisse prüfen.
Festlegen, wann ein Mensch entscheiden muss.
Beobachten, ob der neue Ablauf im Alltag tatsächlich hilft.

Das ist keine Schonrolle für Menschen, die angeblich nicht mehr „mitkommen“. Es ist eine anspruchsvolle Aufgabe an der Schnittstelle von Geschäft, Technik und Verantwortung.

Und natürlich können Menschen jeden Alters sie übernehmen. Entscheidend ist, ob sie das notwendige Fachwissen mitbringen und bereit sind, sich auf die neuen Werkzeuge einzulassen.

Wie ein Unternehmen das in 90 Tagen ausprobieren könnte

Statt sofort eine große KI-Transformation auszurufen, würde ich mit einem überschaubaren Prozess beginnen.

Zum Beispiel mit der Bearbeitung bestimmter Kundenanfragen, der Prüfung eingehender Unterlagen oder der Vorbereitung interner Auswertungen.

Ein mögliches Team:

eine erfahrene Person aus dem Fachbereich;
jemand mit KI- und Entwicklungskompetenz;
eine weitere Person, die den Prozess im Alltag bearbeitet oder künftig übernehmen soll;
eine verantwortliche Führungskraft, die Entscheidungen ermöglichen kann.

Dann würde ich in drei Schritten vorgehen.

Tage 1 bis 30: Den Prozess verstehen

Das Team schaut sich an, wie der Ablauf heute wirklich funktioniert.

Nicht nur auf dem Papier. Sondern anhand konkreter Fälle:

Wo entsteht Wartezeit?
Welche Informationen fehlen häufig?
Welche Entscheidungen wiederholen sich?
Welche Ausnahmen sind besonders heikel?
Was kostet heute Zeit — und was verursacht Fehler?

Am Ende steht eine klare Fragestellung. Zum Beispiel: „Können wir eingehende Anfragen so vorbereiten, dass das Team die notwendigen Informationen schneller findet?“

Tage 31 bis 60: Einen begrenzten Prototyp bauen

Das Team erstellt einen ersten Ablauf mit klaren Grenzen.

Die KI könnte beispielsweise Anfragen vorsortieren, Informationen zusammenstellen und einen Vorschlag erzeugen. Die Entscheidung und die Kommunikation nach außen bleiben zunächst bei den zuständigen Menschen.

Wichtig ist, nicht nur die einfachen Fälle zu testen. Gerade seltene, unvollständige oder widersprüchliche Fälle zeigen, ob das System im Alltag tragfähig sein könnte.

Tage 61 bis 90: Wirkung messen und entscheiden

Jetzt wird geprüft:

Wie viel Zeit wurde tatsächlich gespart?
Wie häufig musste nachgebessert werden?
Wurden Fehler übersehen oder neue Fehler erzeugt?
War der Ablauf für die Beteiligten verständlich?
Wie viel Aufwand entstand für Prüfung, Wartung und Nacharbeit?
Würde das Team damit weiterarbeiten wollen?

Erst danach würde ich über eine breitere Einführung sprechen.

90 Tage sind dabei kein wissenschaftlich garantierter Zeitraum. Sie sind ein praktikabler Vorschlag, um eine Idee konkret zu machen und zu lernen, bevor man sie großflächig ausrollt.

Warum die Personalstrategie Teil der KI-Strategie sein muss

In vielen Organisationen liegen Personalentscheidungen, IT-Beschaffung und Prozessverantwortung in unterschiedlichen Bereichen.

Das ist erst einmal normal. Problematisch wird es, wenn diese Bereiche unabhängig voneinander Entscheidungen treffen, die sich gegenseitig beeinflussen.

Die Personalabteilung reduziert Stellen. Die IT führt neue KI-Werkzeuge ein. Der Fachbereich soll anschließend produktiver werden. Und irgendwann stellt jemand fest, dass ausgerechnet die Menschen fehlen, die den Prozess erklären und die Ergebnisse beurteilen konnten.

Eine einzelne Entscheidung kann für sich betrachtet nachvollziehbar erscheinen und trotzdem das Gesamtziel erschweren.

Deshalb würde ich vor größeren Veränderungen im Personalbestand auch diese Fragen stellen:

Welches Wissen hängt an den betroffenen Rollen?
Welche Prozesse lassen sich ohne dieses Wissen nur schwer beurteilen?
Gibt es Menschen, die dieses Wissen übernehmen können?
Ist die Erfahrung für geplante KI- oder Automatisierungsvorhaben relevant?
Welche Möglichkeiten zur Weiterbildung und Veränderung der Rolle wurden geprüft?

Das garantiert nicht, dass jede Stelle erhalten bleibt. Aber es verbessert die Grundlage für eine Entscheidung, die ansonsten vor allem nach kurzfristigen Kosten getroffen würde.

Erfahrung wird durch KI nicht automatisch wertvoller

Bei aller Begeisterung für diesen Gedanken sollten wir uns nichts vormachen: Auch Erfahrung allein reicht nicht.

Jemand kann seit 30 Jahren denselben Prozess kennen und trotzdem übersehen, dass er grundlegend verändert werden sollte. Erfahrung kann helfen, Risiken zu erkennen. Sie kann aber auch dazu verleiten, bestehende Abläufe zu verteidigen, weil man sie immer so gemacht hat.

Umgekehrt kann eine Person mit frischem Blick Fragen stellen, die im Unternehmen seit Jahren niemand mehr stellt.

Darum finde ich die Kombination so spannend: Menschen, die das Geschäft tief verstehen, arbeiten mit Menschen zusammen, die neue technische Möglichkeiten kennen — und beide sind bereit, ihre Annahmen zu überprüfen.

Die OECD kommt in einer Analyse zu dem Schluss, dass berufliche Erfahrung KI ergänzen kann und die Anfälligkeit für Automatisierung in älteren Beschäftigtengruppen tendenziell geringer ausfällt. Die Zusammenhänge hängen allerdings auch von Faktoren wie Beruf und Bildung ab. Das ist ein Hinweis auf mögliche Ergänzung, keine Garantie für jeden einzelnen Arbeitsplatz. Quelle: OECD, Juli 2026

Wertvoll wird Erfahrung besonders dann, wenn sie mit Neugier, Lernbereitschaft und neuen Werkzeugen zusammenkommt.

Das gilt übrigens für alle Altersgruppen.

Mein Fazit

KI wird Tätigkeiten verändern. Manche Aufgaben werden schneller erledigt, manche fallen weg, andere kommen hinzu. Und ja: In bestimmten Bereichen kann KI fehlende Erfahrung teilweise ausgleichen.

Aber daraus folgt nicht, dass Unternehmen auf Erfahrung verzichten können.

Im Gegenteil: Wer KI sinnvoll einsetzen will, braucht Menschen, die Probleme erkennen, Zusammenhänge verstehen, Ergebnisse beurteilen und Verantwortung übernehmen. Diese Fähigkeiten entstehen nicht automatisch durch den Kauf eines neuen Werkzeugs.

Vielleicht sollten Unternehmen deshalb eine Frage früher stellen — bevor sie Stellen streichen, Berater beauftragen oder das nächste KI-Projekt starten:

Welches Wissen brauchen wir, damit diese Veränderung funktioniert — und wer in unserem Unternehmen besitzt es bereits?

Die Antwort könnte zeigen, dass eine Person, die heute vor allem als Kostenposition betrachtet wird, morgen zu den wichtigsten Menschen für die eigene KI-Strategie gehört.