Ihr Vertrieb, Ihr Controlling, Ihr technischer Außendienst – alle haben seit drei Monaten dieselbe KI-Lizenz. Alle nutzen sie. Die Nutzungsstatistiken sehen gut aus. Und trotzdem: Manche Mitarbeiter liefern bessere Arbeit als zuvor, andere bleiben auf demselben Niveau oder werden langsamer.
Das ist kein Zufall. Es ist das erwartbare Ergebnis einer Erkenntnis, die in der Unternehmens-KI-Diskussion kaum auftaucht: KI ist kein Gleichmacher. Sie ist ein Verstärker. Wer ein Fundament hat, nutzt sie als Hebel. Wer keines hat, gerät in eine Falle.
Experten gewinnen. Novizen verlieren.
Wang und Kollegen haben das 2025 direkt gemessen: 42 Designer, aufgeteilt nach Erfahrungsstand, in strukturierten und unstrukturierten KI-Co-Kreations-Prozessen. Das Ergebnis ist präzise: Novizen, die KI ohne explizite Prozessstruktur nutzen, driften in Konformität – sie übernehmen KI-Vorschläge, ohne sie zu hinterfragen. Experten dagegen nutzen dieselbe KI als Prüfinstanz: Sie generieren Optionen, verwerfen sie, schärfen ihre Einschätzung. Gleiche Tools. Fundamental anderes Ergebnis.
Die Forschung nennt das Expertise Duality: Experten nutzen KI als Verstärker ihrer Urteilsfähigkeit – sie haben das Fundament, um KI-Output zu bewerten, zu selektieren, zu verwerfen. Novizen ohne dieses Fundament geraten in die Souveränitätsfalle: Sie können den Output nicht beurteilen, also übernehmen sie ihn.
Warum das strukturell passiert
KI-Kompetenz setzt Domänenkompetenz voraus. Wer nicht weiß, wie ein Kundengespräch funktioniert, kann nicht beurteilen, ob die KI-generierte Gesprächsvorbereitung gut oder gefährlich naiv ist. Wer die technischen Eigenschaften eines Produkts nicht kennt, bemerkt nicht, wenn das Modell plausibel klingende Fehlinformationen produziert.
Das erklärt, warum das Inverted-U-Modell der kognitiven Last so relevant ist: Optimale kognitive Beanspruchung liegt bei 40 bis 60 Prozent der individuellen Kapazität – dort entsteht Kompetenzwachstum. Novizen ohne Grundlage landen entweder in der Überforderung (zu komplex, um den Output zu bewerten) oder in der Unterlastung (einfach übernehmen). Den optimalen Bereich zu treffen ist ohne Begleitung kaum möglich.
Experten hingegen sind genau in diesem Bereich: Sie nutzen KI, um schneller mehr Optionen zu explorieren – und ihr Urteil bleibt der Engpass, der die Qualität sichert.
Das Risiko, das in Adoption-Metriken unsichtbar bleibt
Das eigentliche Problem ist die Messbarkeit. Adoption-Kennzahlen zählen Logins, Prompts, Nutzungsminuten. Sie zählen nicht, ob der Vertriebsmitarbeiter die KI-Antwort geprüft hat, bevor er sie dem Kunden geschickt hat. Sie zählen nicht, ob die KI-gestützte Analyse des Controllers fundierter wurde – oder ob er einfach schneller eine ungeprüfte Zahl produziert hat.
Die stille Kompetenz-Spaltung entsteht unterhalb der Radar-Schwelle. Manche Mitarbeiter werden durch KI besser. Andere werden schlechter – und die Metriken zeigen: Alle nutzen das Tool.
Eine Meta-Analyse von Vaccaro et al. (2024, Nature Human Behaviour, 106 Studien) liefert den Mechanismus: Bei analytischen Entscheidungen ohne ausreichende Expertise sinkt die Leistung mit KI-Unterstützung. Bei generativen Aufgaben mit Expertise steigt sie signifikant. Die Differenz liegt nicht im Tool. Sie liegt im Fundament.
Was Führung daraus machen muss
One-size-fits-all KI-Rollouts waren noch nie eine gute Idee. Mit KI werden sie es noch weniger. Die richtige Frage für jedes Unternehmen lautet nicht "Haben unsere Mitarbeiter Zugang zu KI?" – sondern: "Wissen wir, welche Mitarbeitergruppen welche Grundlage mitbringen?"
Experten brauchen KI, die ihre Urteilsfähigkeit herausfordert und erweitert – kein Tool, das ihnen die Synthese abnimmt und damit genau den Wert eliminiert, den sie einbringen. Novizen brauchen strukturierte Begleitung: explizite Prozesse, die verhindern, dass sie in die Konformitätsfalle driften, und die ihnen helfen, schrittweise ein eigenes Urteil zu entwickeln.
Copilot-Einführungen zeigen dieses Muster regelmäßig: Hohe Akzeptanz auf der Oberfläche, stille Divergenz darunter. Manche Teams werden produktiver. Andere werden abhängiger. Ein Proprietary Knowledge System kann diesen Unterschied strukturell adressieren – weil es nicht generisches Wissen abruft, sondern Firmenwissen injiziert und den Mitarbeiter zwingt, sein eigenes Urteil gegen diesen Kontext zu halten. Das ist kein bequemeres Interface. Es ist kalibriertes Human-in-the-Loop-Design: Das Urteil bleibt beim Menschen, der Kontext wird besser.
Differenzierung ist keine optionale Weiterbildungsmaßnahme. Sie ist die Voraussetzung dafür, dass KI im Unternehmen das tut, wofür sie eingeführt wurde.
Wo Ihr Unternehmen in diesem Spektrum steht – und welche Mitarbeitergruppen welche Unterstützung brauchen: Der KI-Potenzial-Check gibt in 15 Minuten eine erste Einschätzung. Wer den nächsten Schritt gezielt angehen will: Paket B – Strategische Roadmap beschreibt den systematischen Weg vom Tool-Zugang zur echten KI-Integration.