Wer KI-Assistenten in ein Team einführt, argumentiert meist mit Geschwindigkeit: Aufgaben werden schneller erledigt, die Qualität der Ergebnisse steigt, gerade bei weniger erfahrenen Mitarbeitenden. Ein Feldexperiment aus dem juristischen Bereich legt nahe, dass diese Rechnung kurzfristig aufgeht – langfristig aber eine Nebenwirkung hat, die in Projektplänen selten auftaucht.
Untersucht wurde die Arbeit von 133 Patentanwältinnen und Patentanwälten beim Verfassen von Patentansprüchen, also jenen präzise formulierten Textbausteinen, die den Schutzumfang einer Erfindung festlegen. Das Ergebnis fällt zweigeteilt aus: Berufsanfänger profitierten von der KI-Unterstützung am stärksten. Fiel die Unterstützung weg, zeigte sich jedoch, dass sie kaum dauerhaftes Können aufgebaut hatten. Erfahrene Fachkräfte konnten das Gelernte dagegen behalten.
Grundlagenwissen als Voraussetzung für Lernen
Die naheliegende Erklärung: Wer über solides Fachwissen verfügt, kann die Vorschläge eines Modells einordnen, prüfen und in die eigene mentale Landkarte einsortieren. Dabei entsteht Lernen. Wer dieses Fundament noch nicht hat, übernimmt Ergebnisse eher, ohne sie durchdringen zu können – die Arbeit wird erledigt, der Kompetenzaufbau bleibt aus.
Damit kehrt sich eine verbreitete Annahme teilweise um. KI gilt oft als Gleichmacher, der die Lücke zwischen Einsteigern und Routiniers schließt. Im Experiment schließt sie diese Lücke im Moment der Aufgabe – nicht aber über die Zeit. Der Zielkonflikt lautet: sofortige Produktivität gegen den langfristigen Aufbau von Expertise.
Warum das für Entwicklungsteams unmittelbar gilt
Die Parallele zur Softwareentwicklung ist offensichtlich. Das Schreiben von Patentansprüchen und das Schreiben von Code teilen zentrale Eigenschaften: formale Präzision, hohe Kosten bei Fehlern, viel implizites Erfahrungswissen und eine Qualität, die sich nicht mit einem flüchtigen Blick beurteilen lässt.
Genau hier arbeiten KI-Coding-Assistenten heute. Eine Juniorentwicklerin liefert mit Assistenz schneller eine lauffähige Lösung. Ob sie nach einem Jahr in der Lage ist, ein unklar beschriebenes Problem ohne Werkzeug zu zerlegen, eine Architekturentscheidung zu begründen oder einen Fehler in fremdem Code zu finden, ist eine andere Frage. Die Studie liefert dafür zwar keinen Beleg aus der IT, aber einen ernstzunehmenden Hinweis.
Für Unternehmen ist das ein strategisches Thema, kein Werkzeugthema. Senior-Profile entstehen nicht durch Einstellung, sondern durch Jahre der Praxis. Wenn diese Praxis ihren Lerneffekt verliert, trocknet die interne Nachwuchspipeline aus – und zwar verzögert und damit zunächst unsichtbar.
Was sich im Arbeitsalltag konkret ändern lässt
Die Konsequenz ist nicht, KI aus Juniorteams fernzuhalten. Das wäre weder realistisch noch im Sinne der Betroffenen. Sinnvoller ist es, den KI-Einsatz bewusst zu flankieren:
- Review als Lernformat: Code-Reviews sollten nicht nur prüfen, ob etwas funktioniert, sondern erfragen, warum eine Lösung so aussieht. Wer eine KI-generierte Änderung einreicht, sollte sie erklären können.
- Pairing mit erfahrenen Kolleginnen und Kollegen: Gemeinsames Arbeiten macht die Entscheidungslogik sichtbar, die ein Assistent nicht mitliefert.
- Bewusst werkzeugfreie Abschnitte: Einzelne Aufgaben ohne Assistenz zu lösen, deckt Wissenslücken auf, bevor sie im Projekt teuer werden.
- Grundlagen explizit vermitteln: Datenmodellierung, Sicherheitsprinzipien, Debugging-Strategien oder das Verständnis eines Frameworks lassen sich nicht aus Vorschlägen rekonstruieren.
- Aufgaben nach Reifegrad zuschneiden: Erfahrene profitieren nachhaltiger von KI-gestützter Routinearbeit, Einsteigende brauchen Aufgaben, bei denen das Verstehen im Vordergrund steht.
Die Kennzahlenfalle
Ein Nebeneffekt verdient Aufmerksamkeit: Die Wirkung von KI wird meist an Durchsatz gemessen – gelieferte Tickets, Zeilen Code, Durchlaufzeiten. Solche Kennzahlen zeigen den kurzfristigen Gewinn sehr zuverlässig und den langfristigen Verlust gar nicht. Wer den Erfolg eines KI-Rollouts ausschließlich daran bemisst, bekommt ein systematisch zu positives Bild.
Hilfreicher sind zusätzliche, weichere Indikatoren: Wie selbstständig arbeiten Teammitglieder nach einem Jahr? Wie gut gelingt die Fehlersuche in unbekanntem Code? Wie viele Reviews decken echte Verständnisprobleme auf? Diese Fragen lassen sich nicht automatisiert beantworten, aber im Teamgespräch durchaus.
Einordnung
Für Web- und Softwareprojekte heißt das: KI-Assistenz ist ein Produktivitätswerkzeug, kein Ersatz für Ausbildung. Wer sie einführt, sollte gleichzeitig festlegen, wie Wissen im Team weiterhin entsteht – über Reviews, Pairing und bewusst gesetzte Grundlagenarbeit. Andernfalls erkauft man sich schnellere Lieferungen heute mit einem Mangel an erfahrenen Köpfen übermorgen, und genau die braucht es, um KI-Ergebnisse überhaupt verlässlich beurteilen zu können.
