Hallo! Ich bin Ihr Freund, der sich auf Finanz- und Wirtschaftsnachrichtenanalyse spezialisiert hat. Der Artikel, über den wir heute sprechen werden, trifft tatsächlich auf viele Berufstätige und Unternehmensleiter wie einen „Stein ins Herz“.
Kurz gesagt ist die Kernthese des Artikels: Künstliche Intelligenz (AI) macht „Arbeitsergebnisse“ billiger und somit die alte Methode, die Fähigkeiten von Menschen anhand ihrer „Arbeiten“ zu beurteilen, obsolet.
Früher genügte es, wenn man eine gute Code-Quelle oder einen Bericht vorlegte, und der Chef ging davon aus, dass man Technik und das Geschäft verstand. Heute kann auch AI eine solche gute Quelle oder einen Bericht erstellen – und der Chef ist verwirrt: Ist das wirklich die Leistung des Menschen oder die des AI?
Um Ihnen diese Logik vollständig zu vermitteln, habe ich den Artikel in fünf entscheidende Punkte aufgeteilt, die ich Ihnen in verständlicher Sprache erklären werde.
---
Punkt 1: Die frühere „Arbeitsmappe“ war der „Ausweis“ der Fähigkeiten – heute ist sie nur noch eine „Kopie“
Kernlogik: Vom „Beurteilen der Fähigkeiten anhand der Ergebnisse“ zum „Ergebnis, das nicht mehr die Fähigkeiten repräsentiert“.**
Für lange Zeit galt im Berufsleben die unausgesprochene Regel: Die Leistung ist gleichbedeutend mit den Fähigkeiten.
- Ein Ingenieur, der stabile Code lieferte, galt als Experte für Architektur und Fehlerbehandlung.
- Ein Produktmanager, der einen logisch durchdachten Plan erstellte, galt als Experte für die Bedürfnisse der Nutzer und die Geschäftsbedingungen.
- Ein Berater, der eine ansprechende Präsentation vorlegte, galt als Experte für die Sammlung und Strukturierung von Informationen.
Warum funktionierte diese Logik? Weil die Kosten für die Erstellung dieser Ergebnisse sehr hoch waren. Um guten Code oder einen guten Plan zu erstellen, musste man lange lernen, nachdenken und Fehler machen. Die Ergebnisse selbst waren sozusagen „Spuren der Fähigkeiten“. Unternehmen konnten nicht sehen, was im Kopf des Menschen vor sich ging, aber sie konnten sehen, was er produziert hatte. Wenn die Ergebnisse gut waren, war die Wahrscheinlichkeit hoch, dass auch die Fähigkeiten des Menschen gut waren.
Doch AI hat dieses Gleichgewicht gebrochen.
Heute kann eine Person mit mittelmäßigem Fachwissen in wenigen Minuten mit Hilfe von AI einen strukturierten Bericht erstellen; ein unerfahrener Ingenieur kann mithilfe von AI-Tools Funktionen erledigen, die früher viel Zeit in Anspruch genommen hätten. Das Ergebnis ist zwar dasselbe – sogar noch besser und professioneller – aber wie viel sagt dieses Ergebnis tatsächlich über die Fähigkeiten des Menschen aus? Früher war die Arbeit die „Originalversion“ der Fähigkeiten; heute ist sie vielleicht nur noch eine „Kopie“, die von AI erstellt wurde. Mit einer solchen „Kopie“ kann der Chef kaum noch direkt auf die tatsächlichen Fähigkeiten des Menschen schließen.
Punkt 2: Konzentrieren Sie sich nicht darauf, ob Sie es selbst geschrieben haben – fragen Sie, ob Sie verstehen, warum Sie es so gemacht haben
Kernlogik: Vom „Aufdecken von Fälschungen“ zum „Aufdecken des Verständnisses“.**
Viele Chefs reagieren panisch, wenn sie sehen, dass AI Arbeit erledigen kann, und beginnen, Prüfungen durchzuführen, um zu überprüfen, ob die Ergebnisse von Menschen oder von AI stammen.
- „Haben Sie diesen Code selbst geschrieben?“ „Können Sie das ohne AI erledigen?“*
Der Autor ist der Ansicht, dass dieser Ansatz eine Sackgasse ist.
Das ist genauso unsinnig, wie wenn man von Programmierern verlangen würde, ihre IDE, Suchmaschinen und Compiler auszuschalten, um ihre Fähigkeiten zu beweisen. AI wird letztendlich zu einer Infrastruktur wie Elektrizität oder das Internet. Es ist weder notwendig noch realistisch, Mitarbeiter in eine Welt ohne AI zurückzuzwingen.
Die richtigen Fragen lauten:
- Falsche Frage: „Welcher Prozentsatz des Codes haben Sie selbst eingegeben?“
- Richtige Frage: „Können Sie weitermachen, wenn das Ergebnis von den Standardwerten abweicht?“
Beispiel:
- Mitarbeiter A: AI erstellt eine Architektur – er kann erklären, warum diese Wahl getroffen wurde, weiß, wo die Schwachstellen liegen, und weiß, wie man sie ändert, falls sich die Anforderungen ändern.
- Mitarbeiter B: AI erstellt eine Architektur – er sagt: „Das wurde vom Modell empfohlen, ich habe es ausprobiert – es gab keine Fehler.“
Auch wenn die Dokumente von A und B identisch sind, ist A weitaus fähiger als B. Der Unterschied liegt darin, wer in der Lage ist, die Situation zu kontrollieren, wenn das Ergebnis fehlerhaft oder sich ändert.
Punkt 3: Die wertvollsten Fähigkeiten der Zukunft liegen jenseits der gelieferten Ergebnisse
Kernlogik: Vom „Ausführenden“ zum „Definierenden“ und „Wächter“.**
Da „schnelles Arbeiten“ und „viel Arbeiten“ nicht mehr so wertvoll sind, werden andere Fähigkeiten wichtiger:
1. Die Fähigkeit, die richtigen Fragen zu stellen
AI ist gut darin, zu erklären, wie etwas gemacht wird – aber nicht, was getan werden soll.
Wenn ein Kunde einen „intelligenten Kundenservice“ wünscht, kann AI einen solchen Service effizient erstellen. Doch das eigentliche Problem könnte sein, dass der Kundenservice zu teuer ist oder dass die Datenbank unordentlich ist – oder es handelt sich sogar um ein nicht-technisches Problem.
Risiko: Je billiger die Ausführung, desto effizienter kann AI Fehler machen. Es ist wichtiger, zu definieren, was getan werden soll, als die Ausführung selbst.
2. Die Fähigkeit, zu erkennen, wo Fehler passieren können
Erfahrene Menschen sind nicht schneller als AI – aber sie wissen, wem sie nicht trauen können.
Sie wissen, dass bei einer Datenbankmigration die Rückführung der Daten das größte Risiko darstellt; sie wissen, dass schöne Wachstumszahlen oft nur auf veränderten Messkriterien beruhen; sie wissen, dass eine von AI erstellte Lösung im Produktionsumfeld nicht funktionieren wird. Diese „Intuition“ und Erfahrung mussten früher in den Ergebnissen versteckt werden – jetzt müssen sie aktiv dargestellt werden.
3. Die Fähigkeit, mit Unordnung umzugehen
AI ist gut darin, Probleme zu lösen, die klar beschrieben sind. Die reale Welt ist jedoch voller Unordnung: plötzliche Veränderungen der Anforderungen, fehlende Daten, inkonsistente Schnittstellen, widersprüchliche Ziele.
Wer in der Lage ist, Probleme neu zu modellieren, wenn die Realität von den Trainingsdaten oder vorgegebenen Wegen abweicht, gewinnt. Die zukünftige Schlüsselfähigkeit ist nicht, ob man Antworten geben kann, sondern ob man auch dann effizient handeln kann, wenn die Antworten nicht mehr offensichtlich sind.
4. Die Fähigkeit, Verantwortung für Entscheidungen zu übernehmen
AI kann Ratschläge geben – aber sie kann die Konsequenzen nicht tragen.
Unternehmen brauchen Menschen, die erklären können: Warum wurde diese Entscheidung getroffen? Welche Risiken wurden in Kauf genommen? Wie kann man Fehler in Zukunft vermeiden?
Die zukünftige „höhere Fähigkeit“ besteht nicht darin, wie viel man selbst produzieren kann, sondern in der Verantwortung für die Ergebnisse, die von Maschinen erzeugt werden.
Punkt 4: Die „Regeln des Spiels“ bei der Rekrutierung und Beförderung müssen grundlegend geändert werden
Kernlogik: Vom „Beurteilen der Menge“ zum „Beurteilen der Qualität“ und des Prozesses.**
Diese Veränderung wirkt sich direkt auf drei zentrale Mechanismen von Unternehmen aus:
1. Rekrutierung: Home assignments (Aufgaben für zu Hause) sind nicht mehr aussagekräftig.
Früher konnte man anhand eines Projekts, das ein Kandidat in einer Woche erstellt hat, seine Fähigkeiten beurteilen. Heute können alle innerhalb weniger Stunden ähnliche Ergebnisse mit AI erzeugen.
Neue Methode: Vorstellungsgespräche ähneln mehr einer „Live-Demonstration“. Die Interviewer stellen absichtlich falsche Anforderungen oder versteckte Fallstricke.
Ziel: Nicht zu überprüfen, ob jemand betrügt, sondern zu sehen, was bleibt, wenn die vorgegebenen Antworten nicht mehr funktionieren – wie der Kandidat Probleme analysiert, überprüft und AI-Empfehlungen widerlegt.
2. Beförderung: „Hohe Produktivität“ bedeutet nicht mehr „hohe Fähigkeiten“.
Früher war es einfach, jemanden zu befördern, der viel Code schrieb oder viele Dokumente erstellte. Heute hat AI die Produktivität dramatisch erhöht – „Wie viel man tut“, ist kaum noch aussagekräftig.
Neue Kriterien: Wer Fehler vermeidet, Risiken früh erkennt, unklare Probleme löst und die Entscheidungsqualität des Teams verbessert, verdient eine Beförderung.
3. Leistungsbewertung: Man kann nicht nur anhand der Menge der Ergebnisse beurteilen.
Wenn man nur anhand der Ausgaben bewertet, können Mitarbeiter mit AI leicht hohe Punktzahlen erreichen – aber das belohnt nur eine scheinbare Effizienz.
Neue Kriterien: Was sollte nicht getan werden? Welche Ergebnisse sollten nicht akzeptiert werden? Wann sollte man auf Maschinenergebnisse verzichten? Diese „unsichtbaren“ Entscheidungen sind entscheidend für die tatsächliche Qualität eines Mitarbeiters.
Punkt 5: Ein tiefer Paradoxon: Je einfacher die Ergebnisse, desto schwieriger ist es, die Fähigkeiten eines Menschen zu beurteilen
Kernlogik: Vom „Individuellen“ zum „Systemgesteuerten“.**
Der Autor stellt eine philosophische Frage: Das Wort „Fähigkeit“ verändert sich selbst.
Früher waren Fähigkeiten innere Eigenschaften eines Menschen – ich kann Code schreiben, ich kann Analysen durchführen.
In der Zukunft sind Fähigkeiten die Fähigkeit, Systeme zu steuern – ich kann ein immer leistungsfähigeres Wissens- und Ausführungssystem (AI) nutzen, um ungewisse Probleme zu stabilen, zuverlässigen Ergebnissen zu machen.
Schlüsselwörter sind nicht „Unabhängigkeit“, sondern „Stabilität“ und „Vertrauenswürdigkeit“.
Man kann stark auf AI angewiesen sein und dennoch sehr fähig sein – entscheidend ist, ob man weiß, was das System tut, ob man erkennen kann, wenn es die Grenzen überschreitet, und ob man in der Lage ist, die Kontrolle zu übernehmen, wenn etwas schiefgeht.
Zusammenfassung:
AI macht es zwar einfacher, hochwertige Ergebnisse zu erzielen – aber es wird immer schwieriger, zu beurteilen, warum jemand diese Ergebnisse erzielt hat, da der Prozess zunehmend „schwarzboxiert“ wird.
Die zukünftige Bewertung von Menschen basiert nicht mehr nur auf den Ergebnissen, sondern auch auf der Fähigkeit, Systeme zu steuern und Entscheidungen zu treffen. Unternehmen müssen sich von der Betrachtung von „Arbeiten“ auf die Betrachtung von Menschen und Prozessen konzentrieren.
Das war die Übersetzung des chinesischen Artikels. Falls Sie weitere Fragen haben oder weitere Teile des Textes analysiert haben möchten, stehe ich gerne zur Verfügung.