Analyse des KI-Matthäus-Effekts: Experten gewinnen an Wert

Ich habe die schlechte Angewohnheit, Artikel danach zu beurteilen, welchen Tab ich am längsten offen lasse. Nicht nach der Überschrift, nicht nach dem ersten Absatz, nicht einmal danach, ob ich zustimme. Der Beitrag, der die Browser-Aufräumaktion überlebt, ist meistens der, an dem ein Name hängt, dem ich genug vertraue, um später zurückzukehren, wenn meine Aufmerksamkeit wieder da ist. In letzter Zeit fühlt sich das weniger wie Faulheit an und mehr wie ein Vorgeschmack auf das nächste Internet. Nennen wir es den KI-Matthäus-Effekt.

Wenn fertiger Text leichter zu produzieren ist, leistet fertiger Text weniger als Beweis. Das Memo mag flüssig sein, die Lektion ordentlich, die Marktanalyse selbstbewusst klingen, aber die Lesenden müssen trotzdem entscheiden, ob jemand mit Urteilsvermögen dahintersteht. Genau bei dieser Entscheidung könnte anerkannte Expertise wertvoller werden, nicht weniger.

Wenn das Arbeitsergebnis die Person dahinter nicht mehr beweist

Joseph Byrum vom Cutter Consortium beschreibt die Wirkung von KI auf Expertise als Schwellenproblem und nicht als einfache Ersetzungsgeschichte. Er spricht von Schwellen der Leistungsparität, wenn KI-Fähigkeiten menschlicher Expertise bei messbaren Ergebnissen entsprechen, und von Schwellen der wirtschaftlichen Tragfähigkeit, wenn die Umsetzungskosten unter die Kosten menschlicher Expertise fallen. Das ist eine hilfreiche Denkweise, weil sie die Aufmerksamkeit von Bauchgefühlen auf Bedingungen lenkt. Eine Aufgabe verändert sich, wenn KI für diese Aufgabe gut genug und günstig genug wird, nicht schon dann, wenn Menschen von einer Demo beeindruckt sind.

Aber genau das erklärt auch, warum die Autorenzeile mit voller Kraft zurückkommt. Wenn KI eine brauchbare Version vieler Wissensprodukte erstellen kann, wird das Produkt selbst zu einem schwächeren Signal für Verständnis. Ein glatt geschliffenes Dokument beweist nicht mehr, dass die Autorin oder der Autor mit Ausnahmen umgehen, einen Zielkonflikt verteidigen oder die fehlende Prämisse bemerken kann. Lesende, Führungskräfte, Studierende und Kundinnen und Kunden suchen rund um das Dokument nach Belegen für Verantwortlichkeit. Diese Belege liegen oft in der Reputation. Sie ist die öffentliche Spur von Entscheidungen unter Einschränkungen, korrigierten Fehlern, überarbeiteten Behauptungen und Arbeit, die den Kontakt mit der Realität überstanden hat.

Die unbequeme Frage für Wissensarbeitende ist nicht, ob KI etwas schreiben kann, das nach uns klingt. Sie lautet, ob unser Name noch etwas bedeutet, wenn die Prosa den Unterschied nicht erkennen lässt.

Urteilsvermögen wird zur knappen Schicht

Byrums Artikel beim Cutter Consortium liefert einen der klarsten Hinweise darauf, wohin Wert wandert. Er merkt an, dass allein die Gewinnerinnen und Gewinner des Franz Edelman Award Einsparungen von 250 Milliarden US-Dollar erzielt haben, indem sie Expertenurteil in reproduzierbare Algorithmen codiert haben. Der Punkt ist nicht, dass Algorithmen aus dem Nichts auftauchten und alle ersetzten. Der Wert entstand dadurch, dass knappes menschliches Urteilsvermögen genommen und Teile davon wiederholbar gemacht wurden.

Diese Unterscheidung ist wichtig. KI kann Produktion im Überfluss ermöglichen, aber Überfluss schafft einen neuen Engpass bei der Bewertung. Jemand muss immer noch entscheiden, was „gut“ bedeutet, wo ein Modell brüchig ist, welche Empfehlung zum lokalen Kontext passt und wann eine plausible Antwort im Stillen falsch ist. Expertise wandert vor und hinter die Maschine: in die Rahmung der Aufgabe vor der Generierung und in die Überprüfung des Ergebnisses danach.

Cutters Zusammenfassung einer wissenschaftlichen Analyse macht das weniger abstrakt. Sie berichtet, dass rein algorithmische Optimierung eine Reduktion der gefahrenen Meilen um 5 % bis 8 % erreichte, verbesserte Fahrer-Compliance zusätzliche Effizienzgewinne von 7 % bis 10 % brachte und die Synergie zwischen Mensch und KI weitere 5 % bis 7 % Verbesserung beitrug. Das kombinierte System erreichte laut Cutter eine Gesamtverbesserung von 17 % bis 25 %. Interessant ist der Zwischenraum, in dem Menschen und Systeme voneinander lernen, statt dass das eine das andere einfach löscht.

Das neue Karrierekapital ist Herkunftsnachweis

Die praktische Lehre besteht nicht darin, online lauter zu werden oder Personal Branding als Ersatz für Kompetenz zu behandeln. Byrums Schwellenmodell weist in eine dauerhaftere Richtung: Beweise dein Urteilsvermögen, bevor der Markt alle zwingt, nach Beweisen zu fragen. Wenn Leistungsparität Routineergebnisse leichter kopierbar macht, wird Provenienz zum Karrierekapital, das direkt vor unseren Augen liegt.

Für Entwicklerinnen und Entwickler heißt das, die Begründung hinter Produktentscheidungen zu zeigen, nicht nur die polierte Launch-Notiz. Für Lehrkräfte heißt es, Bewertung weniger von fertiger Prosa abhängig zu machen und stärker von Prozess, Kritik, mündlicher Verteidigung, Überarbeitung und der Übertragung von Wissen auf neue Situationen. Für Autorinnen, Autoren und Analystinnen, Analysten heißt es, Archive, Methoden, Offenlegungen, Korrekturen und Quellengewohnheiten als Teil der Arbeit zu behandeln, nicht als Aufräumen rund um die Arbeit.

Der KI-Matthäus-Effekt ist nicht automatisch fair. Eine Welt, die sich stärker auf vorhandene Glaubwürdigkeit stützt, kann Etablierte belohnen und es Neuankömmlingen schwerer machen, geglaubt zu werden. Darin liegt die Gefahr in der Chance. Die gesündere Version ist keine blinde Ehrfurcht vor berühmten Namen, sondern reichhaltigere Signale für alle: transparente Arbeitsverläufe, übertragbare Nachweise, überprüfbare Beiträge und Gemeinschaften, die echtes Können erkennen können, bevor es zur Berühmtheit wird.

Was du aufbauen solltest, bevor alle danach fragen

Der Bericht des Cutter Consortium über Transformationsschwellen legt nahe, dass die richtige Frage nicht lautet, ob KI Expertise beeinflussen wird. Die bessere Frage lautet, welche Teile deiner Expertise messbar, wiederholbar und wirtschaftlich leicht automatisierbar werden, und welche Teile durch diese Automatisierung wichtiger werden. Die erste Kategorie ist der Bereich, in dem KI dir Hebelwirkung geben kann. Die zweite Kategorie ist der Bereich, in dem sich deine Reputation verzinsen sollte.

Baue also eine Spur auf. Bewahre Beispiele für Entscheidungen auf, die du getroffen hast, für Zielkonflikte, die du abgewogen hast, für Annahmen, die du geändert hast, und für KI-Ergebnisse, die du verbessert hast. Lerne, Modelle in deinem Fachgebiet zu bewerten, aber lerne auch zu erklären, warum man deiner Bewertung vertrauen sollte. In einem von KI gesättigten Informationsmarkt ist Glaubwürdigkeit keine dekorative Schicht oben auf der Arbeit. Sie ist Teil der Arbeit.

Das nächste Internet könnte mehr flüssigen Text enthalten, als irgendein Mensch lesen, geschweige denn überprüfen kann. Das macht Expertise nicht überflüssig. Es macht die vertrauenswürdige Expertin oder den vertrauenswürdigen Experten zu einer Art Navigationswerkzeug: zu einer Person, deren Urteilsvermögen anderen hilft zu entscheiden, wofür sie Aufmerksamkeit aufwenden. Wenn die Kosten für das Produzieren von Antworten weiter fallen, was wirst du tun, damit deine Fragen, Standards und dein Name es wert sind, ihnen zu folgen?