Warum Kunst- und Designlehre zum Bildungsmodell des KI-Zeitalters werden könnte

4future.social 🎓 Bildung (Lebenslanges Lernen)
1
2

Hier Hier ist eine kurze Zusammenfassung des Artikels „Building expertise in the age of AI: Who trains the next generation?“ von McKinsey:

KI-Zusammenfassung: Expertise im Zeitalter von KI – Wer bildet die nächste Generation aus?

Kernaussage:
KI verändert die Arbeitswelt, insbesondere für Berufsanfänger:innen. Routineaufgaben wie Recherche, Datenbereinigung oder einfache Analysen werden zunehmend von KI-Systemen übernommen – genau die Tätigkeiten, durch die Nachwuchskräfte traditionell Erfahrung, Urteilsvermögen und Fachwissen aufbauen. Unternehmen müssen daher Rollen neu gestalten, Lernen in den Arbeitsalltag integrieren und gezielt Coaching anbieten, um den Fachkräftenachwuchs zu sichern.

Herausforderungen

  • Rückgang der Einstiegsjobs: Die Nachfrage nach Einstiegspositionen sinkt, besonders in KI-exponierten Berufen. Die Arbeitslosenquote unter Absolvent:innen in den USA lag im ersten Quartal 2026 bei 5,7 %, 40 % waren unterbeschäftigt.
  • Angst vor Jobverlust: Laut dem Women in the Workplace Report 2025 (McKinsey/LeanIn.Org) machen sich vor allem junge Arbeitnehmer:innen Sorgen um ihre Jobs – 62 % der Absolvent:innen des Jahrgangs 2026 sind pessimistisch, dass sie eine Anstellung finden.
  • Wissenslücken: Traditionelle Mechanismen, durch die Noviz:innen zu Expert:innen werden (z. B. durch Beobachtung und Praxis), funktionieren nicht mehr, da KI Routineaufgaben übernimmt.

Lösungsansätze für Unternehmen

McKinsey schlägt einen vierteiligen Ansatz vor, um Nachwuchskräfte im KI-Zeitalter zu fördern:

  1. Wissensmanagement:

    • Kodifizierung von Expertise: Die Denkweisen, Entscheidungsregeln und Urteile erfahrener Mitarbeiter:innen sollten strukturiert und für KI-Systeme zugänglich gemacht werden (z. B. durch saubere Daten, standardisierte Taxonomien oder Fallbeispiele).
    • Gewichtung von Wissen: Nicht alle Erfahrungen sind gleich wertvoll – Systeme sollten zwischen isolierten Erfahrungen und akkumuliertem Urteilsvermögen unterscheiden.

  2. Neugestaltung von Einstiegsrollen („Answer-Key“-Modell):

    • Lernen durch Vergleich: Einstiegsmitarbeiter:innen bearbeiten Aufgaben zunächst selbst, vergleichen ihre Ergebnisse dann mit KI-generierten Lösungen und besprechen die Unterschiede mit Mentor:innen.
    • Praktische Beispiele:
      • Eine Immobilienfirma ließ Junior-Mitarbeiter:innen manuell Marktanalysen erstellen und verglich diese mit KI-Ergebnissen – die Abweichungen dienten als Lernwerkzeug.
      • Bank of America setzt auf simulierte Umgebungen, um Urteilsvermögen zu trainieren, das sonst durch Routinearbeit entstanden wäre.
    • Breitere Rollen: Statt enger Spezialisierung werden Einstiegsjobs zunehmend end-to-end gestaltet (z. B. Kombination aus Vertrieb, Marketing und kommerzieller Expertise).

  3. Lernen im Arbeitsfluss:

    • Echtzeit-Feedback: KI-Systeme können als eingebettete Guides fungieren, die nächste Schritte vorschlagen, Risiken markieren oder sofortiges Feedback geben.
    • Nachweisbarer Lernerfolg: Die Differenz zwischen den eigenen Lösungen der Mitarbeiter:innen und den KI-Ergebnissen verringert sich mit der Zeit – ein direkter Beleg für die Entwicklung von Urteilsvermögen.
    • Beispiel aus der Medizin: Medizinstudent:innen, die KI-generierte Fallfragen beantworteten und automatisiertes Feedback erhielten, schnitten in Diagnosetests besser ab als Student:innen im zweiten Jahr.

  4. Coaching für Kontext und Urteilsvermögen:

    • Fokus auf „Soft Skills“: Unternehmen legen bei der Einstellung zunehmend Wert auf Anpassungsfähigkeit, Kreativität, Problemlösungsfähigkeit und Resilienz – nicht auf spezifisches Fachwissen.
    • Mentoring-Modelle:
      • Preceptor-Modell (aus der Medizin): Senior-Mitarbeiter:innen begleiten gezielt eine kleine Gruppe von Junioren und beobachten, wie diese KI-Outputs bewerten, akzeptieren oder ablehnen.
      • Strukturierte Residenzprogramme: Inspiriert von der ärztlichen Ausbildung könnten Unternehmen Einstiegsrollen als geschützte Lernphasen gestalten.
    • Kontextuelles Verständnis: Neue Mitarbeiter:innen müssen lernen, Daten nicht nur zu interpretieren, sondern auch branchenübergreifende Dynamiken zu erkennen und zu erklären (z. B. warum ein Umsatzanstieg auf Promotions und nicht auf echte Nachfrage zurückzuführen ist).

Fazit: Warum der Aufwand lohnt

  • Langfristige Risiken vermeiden: Unternehmen, die nicht in Nachwuchsförderung investieren, riskieren Wissensverlust, schwächere Nachfolgeplanung und langsamere KI-Adoption.
  • Firmen-spezifische Expertise: Urteilsvermögen, das auf unternehmensspezifischen Daten und Prozessen basiert, ist schwer übertragbar – ein Wettbewerbsvorteil.
  • Bindung von Talenten: Die Erwartungen junger Mitarbeiter:innen an sinnvolle Rollen, Entwicklung und Führung bleiben unverändert. Unternehmen, die gezielte Kompetenzentwicklung mit einer positiven Mitarbeitererfahrung verbinden, können die Fluktuation reduzieren.

Handlungsempfehlung:
Unternehmen sollten bewusst in vier Bereichen aktiv werden:

  1. Wissensmanagement (Expertise kodifizieren und gewichten),
  2. Rollen- und Workflow-Neugestaltung (KI als Lernwerkzeug nutzen),
  3. Lerndesign (Lernen in den Arbeitsalltag integrieren),
  4. Manager-Fortbildung (Coaching als Kernkompetenz behandeln).

Quelle: McKinsey & Company, 14. Juli 2026