Die „KI-Mauer" — Warum KI Ihre Mitarbeitenden nicht zu Experten macht (Stanford-Harvard-Studie)

Das Experiment, das eine Annahme zertrümmert hat

Eine der populärsten Ideen in der Wirtschaft lautet derzeit: Generative KI „demokratisiert Expertise" — sie macht jeden zum Experten, unabhängig vom Hintergrund. Forscher aus Stanford und Harvard haben diese Idee einem rigorosen Test unterzogen. Die Ergebnisse sind komplizierter und wichtiger, als sowohl KI-Enthusiasten als auch Skeptiker erwartet hätten. [Fakt] (HBR, „Gen AI Won't Make Your Employees Experts", 1. März 2026)

Die Forscher arbeiteten mit 78 Beschäftigten bei IG Group, einem britischen Fintech-Unternehmen. Sie teilten die Belegschaft in drei Gruppen ein — je nach Nähe zu einer bestimmten Aufgabe: dem Verfassen von Finanzinhalten. [Fakt] (Stanford-Harvard-Studie via HBR)

Die erste Gruppe: professionelle Autoren, die das täglich tun. Die zweite: Marketing-Spezialisten, die inhaltlich angrenzend arbeiten, aber nicht schreiben. Die dritte: Entwickler und Data Scientists aus völlig anderen Bereichen. Alle drei Gruppen sollten zwei Aufgaben erledigen — Artikelideen entwickeln und Artikel tatsächlich schreiben — jeweils mit und ohne KI-Unterstützung. Führungskräfte bei IG Group bewerteten alle Ergebnisse auf einer Skala von 1 bis 5, ohne zu wissen, welche KI genutzt hatten. [Fakt] (Studienmethodik, HBR)

Bei den Ergebnissen zeigt sich die „KI-Mauer".

Wo KI hilft — und wo sie an die Mauer fährt

Bei der Ideenfindung — Brainstorming, Winkel identifizieren, Argumente strukturieren — funktionierte KI bemerkenswert gut über alle drei Gruppen hinweg.

Ohne KI war der Leistungsunterschied deutlich. Autoren erreichten 3,82, Marketing-Spezialisten 3,04, Technologen 3,02. Die Experten waren klar besser darin, relevante Content-Ideen zu entwickeln. [Fakt] (Studiendaten, HBR)

Mit KI-Unterstützung passierte etwas Interessantes. Autoren verbesserten sich auf 4,12. Aber Marketing-Spezialisten sprangen auf 4,18 — übertrafen die Experten sogar. Technologen stiegen auf 4,05. [Fakt] (Studiendaten, HBR) Bei der Ideenfindung schien KI das Spielfeld fast vollständig einzuebnen.

Wäre das Experiment hier zu Ende gewesen, wäre die These „KI demokratisiert Expertise" bestätigt worden. Dann kam die Schreibaufgabe.

Ohne KI lieferten Autoren erwartungsgemäß die höchste Qualität. Mit KI-Unterstützung erzielten Autoren 3,96 und Marketing-Spezialisten 3,92 — ein so geringer Abstand, dass KI der angrenzenden Gruppe tatsächlich zu helfen schien. [Fakt] (Studiendaten, HBR)

Aber die Technologen — die Gruppe mit dem größten Abstand zur Aufgabe — erreichten nur 3,38 bis 3,42. KI bewegte für sie kaum etwas. [Fakt] (Studiendaten, HBR)

Das ist die KI-Mauer. Der Punkt, an dem der Abstand zwischen vorhandenem Wissen und der Aufgabe zu groß wird, als dass KI ihn überbrücken könnte.

Warum die Mauer existiert

Ein Studienteilnehmer brachte den Unterschied auf den Punkt: „Sich einen Marathon vorstellen ist wie Konzeptualisieren, aber Schreiben ist wie ihn tatsächlich zu laufen." [Fakt — Teilnehmerzitat] (HBR)

Das Forscherteam um Luca Vendraminelli identifizierte einen konkreten Mechanismus. Marketing-Spezialisten konnten KI-Vorschläge nehmen und mit ihrem Grundverständnis von Zielgruppen, Messaging und Markenstimme verfeinern. Sie wussten genug über das angrenzende Fachgebiet, um KI-Ergebnisse einzuschätzen und zu verbessern. [Fakt] (HBR)

Technologen fehlte dieses Grundlagenwissen. Sie konnten nicht beurteilen, ob ein KI-generierter Entwurf den richtigen Ton traf, branchenübliche Terminologie verwendete oder Aussagen machte, die ein Finanzpublikum glaubwürdig finden würde. Sie konnten KI prompten, Inhalte zu generieren, aber sie konnten sie nicht sinnvoll verbessern. Die Qualitätsobergrenze setzte ihre eigene Expertise, nicht die KI-Fähigkeiten. [Einschätzung] (HBR)

Vendraminelli sagt es direkt: „Expertise ist nicht reproduzierbar. Keine Technologie kann sie ersetzen." [Fakt — Direktzitat] (HBR)

Für Finanzanalysten und Marketing-Manager hat dieses Ergebnis unmittelbare praktische Bedeutung. Ein Finanzanalyst, der KI für Marketing-Texte nutzt, wird gute Ideen, aber mittelmäßige Umsetzung produzieren — nicht weil die KI schlecht ist, sondern weil der Analyst das Ergebnis nicht effektiv bewerten kann. Umgekehrt wird ein Softwareentwickler, der KI in seiner eigenen Domäne nutzt, deutlich bessere Resultate erzielen als jemand aus dem Marketing, der mit KI Code schreiben will.

Das Problem der Expertise-Pipeline

Die provokanteste Erkenntnis der Studie betrifft nicht die Grenzen von KI — sondern was passiert, wenn Organisationen sie falsch einschätzen.

Wenn Unternehmen davon ausgehen, KI könne Generalisten in Spezialisten verwandeln, stellen sie möglicherweise weniger Fachexperten ein und setzen stattdessen auf KI-gestützte Generalisten. Kurzfristig scheint das zu funktionieren — die Ideenfindungs-Ergebnisse zeigen fast Gleichstand. Aber wenn Umsetzungsqualität zählt, taucht die Lücke wieder auf. [Einschätzung] (HBR)

Schlimmer noch: Die Forscher warnen, dass die Einstellung weniger Berufseinsteiger in spezialisierten Rollen „die Pipeline zur Entwicklung künftiger Expertise zu zerstören droht." [Fakt] (HBR) Der heutige Junior-Finanzanalyst wird durch jahrelange Praxis zum Senior-Experten von morgen. Wenn Unternehmen diesen Entwicklungspfad durch KI-Tools ersetzen, könnten sie feststellen, dass sie intern keine Führungskräfte mehr hervorbringen können.

Das fügt sich direkt in den breiteren Trend bei Einsteigerjobs ein. Die Dallas Federal Reserve hat festgestellt, dass der Anteil junger Arbeitnehmer in KI-exponierten Berufen bereits von 16,4 % auf 15,5 % gesunken ist. [Fakt] (Dallas Fed, Januar 2026) Wenn die KI-Mauer-Forschung stimmt, ist dieser Rückgang nicht nur ein Arbeitsmarktproblem — er ist ein Problem der Expertise-Produktion.

Was das für Ihre Karriere bedeutet

Die KI-Mauer-Studie legt drei praktische Schlüsse für Arbeitnehmer nahe.

Erstens: KI verstärkt vorhandene Expertise mehr, als sie Lücken füllt. Wenn Sie Finanzanalyst sind, macht KI Sie zu einem besseren Finanzanalysten. Sie macht Sie nicht zu einem kompetenten Marketing-Manager. Der stärkste Karriereschritt ist die Vertiefung Ihrer Fachkompetenz, nicht das Verteilen auf KI-gestützte Aufgaben, die Sie nicht grundlegend verstehen.

Zweitens: Angrenzende Kompetenzen zählen mehr als entfernte. Marketing-Spezialisten — die angrenzende Gruppe — profitierten fast ebenso stark von KI wie die Experten. Wenn Sie Ihre Fähigkeiten erweitern, bewegen Sie sich in benachbarte Bereiche, in denen Ihr Grundlagenwissen noch greift, statt in völlig unbekanntes Terrain zu springen und darauf zu hoffen, dass KI die Lücken füllt.

Drittens: Verwechseln Sie Ideenfindung nicht mit Umsetzung. KI ist tatsächlich hervorragend beim Brainstorming, Strukturieren und Konzipieren. Aber die Umsetzung — das eigentliche Handwerk, hochwertige Arbeit zu produzieren — hängt weiterhin stark von menschlicher Expertise ab. Wenn Ihr Job vor allem von Umsetzungsqualität lebt, ist Ihre Position sicherer, als das Narrativ „KI ersetzt alle" vermuten lässt.

So wirkt sich KI auf diese Berufe aus: Finanzanalysten, Marketing-Manager, Softwareentwickler.

Quellen

• Harvard Business Review — Luca Vendraminelli et al. (Stanford-Harvard), „Gen AI Won't Make Your Employees Experts", 1. März 2026
• Dallas Federal Reserve — Tyler Atkinson & Shane Yamco, „AI and Youth Employment", 6. Januar 2026

Update-Verlauf

• 2026-03-21: Quellenverlinkung und Quellenabschnitt ergänzt
• 2026-03-19: Erstveröffentlichung basierend auf der Stanford-Harvard-Studie, berichtet in HBR (1. März 2026)

---

Dieser Artikel wurde mit KI-Unterstützung durch Claude (Anthropic) recherchiert und verfasst. Die Analyse fasst Ergebnisse eines Stanford-Harvard-Experiments mit 78 Beschäftigten bei IG Group zusammen, wie in der Harvard Business Review berichtet. Dies ist eine KI-generierte Analyse öffentlich zugänglicher Forschung und stellt keine professionelle Karriere- oder Beschäftigungsberatung dar. Wir empfehlen, die Originalquelle für alle Studiendetails heranzuziehen.