🤔 Was bleibt von meinem IT-Wissen, wenn die KI immer mehr davon übernimmt?
🌱 Zwischen großen Versprechen und einer ziemlich einfachen Frage
Es ist eine Frage, die sich aktuell viele Menschen in der IT stellen. Wenn immer mehr Aufgaben von künstlicher Intelligenz übernommen werden können, was passiert dann mit dem eigenen Fachwissen? Brauche ich es künftig weniger oder nur für andere Dinge als bisher?
Diese Frage ist für mich persönlich geworden, weil ich die Entwicklung aus mehreren Perspektiven erlebe. Ich nutze LLMs heute beruflich als IT-Projektmanager und privat für meinen Blog und alltägliche Fragen. Während große Technologieunternehmen Milliarden in neue Rechenzentren investieren, zeigen günstigere und teilweise offene Modelle, dass leistungsfähige KI diese Größenordnung vielleicht gar nicht dauerhaft voraussetzt.
Die einfache Antwort lautet: Wissen verschiebt sich vom Erstellen zum Beurteilen. Warum ich zu dieser Einschätzung komme, möchte ich im Folgenden entwickeln – beginnend mit der aktuellen Situation.
📊 Große Versprechen und ein unklarer Markt
Aktuelle LLMs können Code erzeugen, bestehende Projekte analysieren und bei Aufgaben helfen, für die bisher einiges an eigener Entwicklungsarbeit notwendig war. Daraus entsteht schnell die Vorstellung, dass Unternehmen künftig deutlich weniger Entwickler brauchen könnten.
Gleichzeitig entwickeln sich Modelle aus China und offene Ansätze, die zeigen, dass gute Ergebnisse nicht zwangsläufig bedeuten, dass dafür immer größere und teurere Systeme notwendig sind. Gerade dieser Gegensatz macht für mich langfristige Vorhersagen schwierig. Wenn heute jemand berechnet, wie viele Milliarden oder sogar Billionen Dollar für die weitere Entwicklung von KI notwendig sein werden, dann steckt darin bereits die Annahme, wie KI in einigen Jahren technisch funktionieren wird.
Als Anwender merke ich davon zunächst wenig. Für mich zählt, was ein Modell bei einer konkreten Aufgabe leisten kann und welchen Aufwand es mir abnimmt. Trotzdem ist die wirtschaftliche Seite wichtig: Ein Werkzeug, das dauerhaft sehr teuer ist und von wenigen Unternehmen kontrolliert wird, hat eine andere Wirkung als Modelle, die günstig betrieben, lokal eingesetzt oder offen weiterentwickelt werden können.
🧭 Mein Weg zur Frage
Dass mich diese Frage trifft, liegt an meinem Hintergrund. Ich habe eine Ausbildung zum Energieelektroniker mit der Fachrichtung Anlagentechnik gemacht und später Technische Informatik studiert. Nach dem Studium arbeitete ich als Fullstack-Entwickler mit .NET und C#. Heute bin ich IT-Projektmanager, wobei mir der praktische Bezug zur Technik wichtig geblieben ist. Zusätzlich habe ich einen MBA im Wirtschaftsingenieurwesen gemacht, sodass ich technische Entscheidungen heute auch aus wirtschaftlicher und organisatorischer Sicht betrachte. Diese Mischung ist wahrscheinlich auch der Grund, warum mich die aktuelle KI-Diskussion nicht nur als Technikthema interessiert.
🧩 Wissensbasierte Systeme und Prolog
In meinem Studium gehörten auch wissensbasierte Systeme dazu. Der Begriff klingt heute etwas sperrig, beschreibt aber vereinfacht Systeme, die vorhandenes Wissen und festgelegte Regeln nutzen, um daraus Schlussfolgerungen abzuleiten. Von den heutigen Sprachmodellen war das noch weit entfernt, aber die Idee, Wissen technisch nutzbar zu machen, war für mich schon damals ein Thema.
Im begleitenden Praktikum an der Hochschule Osnabrück mussten wir wöchentlich Aufgaben in Prolog lösen und direkt im nächsten Termin beim Professor abgeben. Die meisten Aufgaben waren schwierig, aber lösbar – wir haben fast alle geschafft. Ein bis zwei Aufgaben hatten in den Jahren zuvor nur eine Handvoll Studenten überhaupt gelöst. Wenn man bei einer Aufgabe nicht weiterkam, drückte der Professor bei den anderen ein Auge zu. Ich fand es faszinierend, wie man mit Regeln und logischer Inferenz ein System dazu bringen konnte, scheinbar selbstständig zu Schlussfolgerungen zu gelangen. Gemessen an dem, was heute als KI bezeichnet wird, war das natürlich eine völlig andere Welt. Die Grundfrage war jedoch dieselbe: Wie viel Wissen kann ich einer Maschine übergeben, damit sie etwas Nützliches damit anstellt?
🔄 Von Industrie 4.0 zu KI – ein bekanntes Muster
Vor rund acht Jahren schrieb ich meine Masterarbeit über Industrie 4.0 und war genauso begeistert wie viele heute von KI. Allerdings verlief die Umsetzung in Deutschland sehr viel langsamer als erwartet. Einige Maschinen und Waagen setzen auch heute noch teilweise urtümliche CSV-Dateien zur Kommunikation untereinander ein. Von digitalen Zwillingen und anderen Buzzwords keine Spur.
Aus dieser Erfahrung weiß ich, wie schnell Hype und reale Umsetzung auseinanderfallen. Genau das beobachte ich jetzt auch bei KI. LLMs sind in manchen Bereichen eine tolle Hilfe, aber von echter KI kann man meines Erachtens noch nicht sprechen.
Trotzdem bin ich nicht distanziert. Ich nutze täglich KI-Tools beruflich und privat, informiere mich über Neuerungen und absolviere regelmäßig Fortbildungen, oft über Udemy. Dabei absolviere ich Kurse auf hoher, mittlerer und tiefer Flughöhe, um alles als IT-Projektmanager besser einordnen zu können. Ich muss nicht alles perfekt verstehen. Offen gegenüber neuen Technologien zu sein, die das tägliche Leben vereinfachen, und bereit zu sein, etwas Zeit zu investieren, gehört für mich dazu. „Damals ging es doch auch anders“ ist nicht mein Anspruch. PDCA – kontinuierliche Verbesserung in kleinen Schritten – das ist es.
⚖️ Wo sich mein Wissen tatsächlich verschiebt
Wenn ein LLM innerhalb kurzer Zeit Code erzeugt, einen Fehler in einem Programm sucht oder einen Lösungsansatz erklärt, den ich mir früher selbst erarbeiten musste, wäre es merkwürdig, daraus keine Fragen für die eigene Arbeit abzuleiten. Manche Aufgaben werden schneller erledigt, andere kann ich abgeben, und bei einigen Dingen verschiebt sich meine Arbeit vom eigentlichen Erstellen hin zum Prüfen und Einordnen.
🔀 Vom Entwickler zum IT-Projektmanager
Als IT-Projektmanager programmiere ich täglich nicht mehr selbst. Zu meinen Aufgaben gehört es nicht, Anwendungen in C# zu schreiben oder neue Module zu entwickeln. Wenn ein Kollege im Rahmen eines LIMS-Projekts jedoch Unterstützung bei Java-Quellcode brauchte, konnte ich mit meinen Kenntnissen helfen – nicht, weil ich Java täglich nutze, sondern weil ich genug vom Thema verstehe, um den Code zumindest einschätzen zu können.
Privat brauche ich Programmierkenntnisse vor allem, um das Theme-CSS meiner WordPress-Themes zu optimieren. Das ist eine konkrete praktische Hilfe, von der ich im Alltag unmittelbar profitiere. Ansonsten dient mein technischer Hintergrund vor allem dazu, Ergebnisse zu beurteilen, nicht mehr zwingend, sie selbst zu erstellen.
👀 Die Kollegen-Beobachtung
Eine Aussage von Kollegen ist mir deshalb im Gedächtnis geblieben. Sie nutzen KI beim Programmieren vor allem für Sprachen und Technologien, die sie selbst verstehen. Dort können sie die Ergebnisse prüfen, Fehler erkennen und notfalls selbst eingreifen. Bei einer unbekannten Sprache wäre ihnen das Risiko zu groß.
Ich halte diesen Gedanken für wichtiger als die Frage, welches Modell gerade den besten Code erzeugt. Wer das selbst ausprobiert hat, kann die Diskussion über die Zukunft von Entwicklern nicht einfach als übertriebenes Marketing abtun. Trotzdem ziehe ich daraus noch nicht den Schluss, dass technisches Wissen überflüssig wird. Wenn ich eine KI nur dort wirklich sinnvoll einsetzen kann, wo ich ihr Ergebnis beurteilen kann, brauche ich mein Wissen weiterhin. Es verschiebt sich eher die Stelle, an der ich es einsetze.
⚡ Das ist nicht neu, aber diesmal schneller
In meiner eigenen Arbeit ist KI längst kein Experiment mehr, das ich gelegentlich aus Interesse öffne. Ich nutze LLMs in meiner Tätigkeit als IT-Projektmanager, beschäftige mich damit beim Schreiben für meinen Blog und verwende sie auch für alltägliche Fragen. Dabei interessiert mich nicht nur, welche Eingabe zu einem guten Ergebnis führt. Ich möchte zumindest in Grundzügen verstehen, warum diese Systeme bestimmte Dinge gut können, wo ihre Grenzen liegen und wie ich ihre Ergebnisse sinnvoll einschätze.
Dabei hilft mir, dass Weiterbildung für mich ohnehin immer zum IT-Bereich gehört hat. Die Technologien, mit denen ich als .NET-Entwickler gearbeitet habe, waren schließlich auch nicht irgendwann fertig. Es gab immer neue Frameworks, Werkzeuge und Vorgehensweisen. Bei KI fühlt sich die Veränderung allerdings größer an, da sie nicht nur ein weiteres Werkzeug innerhalb eines bekannten Arbeitsablaufs ist. Sie kann Teile dieses Arbeitsablaufs selbst übernehmen.
Das führt jedoch nicht dazu, dass ich weniger lernen möchte. Eher ist das Gegenteil der Fall. Wenn ich ein LLM für eine Aufgabe einsetze, möchte ich genügend vom Thema verstehen, um Rückfragen stellen, Ergebnisse vergleichen und Fehler erkennen zu können. Dabei muss ich nicht jedes Detail selbst beherrschen – das war auch vor KI kaum möglich. Ich möchte aber erkennen können, wann ich mich außerhalb des Bereichs bewege, in dem ich ein Ergebnis noch vernünftig beurteilen kann.
↔️ Übertragbarkeit auf andere Bereiche
Du kannst das leicht auf andere Bereiche übertragen. Wer einer KI die Zusammenfassung eines Vertrags überlässt, wird dadurch nicht zum Juristen. Wer sich medizinische Begriffe erklären lässt, wird nicht zum Arzt. In der IT ist die Grenze manchmal weniger offensichtlich, weil ein Stück erzeugter Code sofort funktionieren kann. Dass etwas kompiliert oder bei einem ersten Test das erwartete Ergebnis liefert, bedeutet jedoch nicht, dass ich die Lösung verstanden habe oder ihre Folgen einschätzen kann.
Gerade deshalb finde ich den Gedanken meiner Kollegen so hilfreich, KI bevorzugt dort einzusetzen, wo eigenes Wissen vorhanden ist. Ich würde ihn jedoch nicht als feste Regel für jede Situation übernehmen. Ich lasse mir durchaus Dinge erklären, die ich vorher nicht kannte, und nutze KI auch zum Lernen. Es macht für mich aber einen Unterschied, ob ich ein unbekanntes Thema erkunden möchte oder ein Ergebnis in einem produktiven Umfeld übernehmen und dafür Verantwortung tragen muss.
💼 Was das für Jobs bedeutet – und was nicht
Bei der Diskussion über Arbeitsplätze wird es noch schwieriger. Die beiden einfachen Antworten lauten meistens entweder, dass KI viele Menschen ersetzen wird, oder dass durch jede neue Technologie am Ende auch neue Arbeitsplätze entstehen. Mit beiden Aussagen kann ich wenig anfangen, da sie für meine eigene Arbeit kaum Orientierung bieten.
In der Softwareentwicklung kann ich mir durchaus vorstellen, dass bestimmte Aufgaben künftig mit weniger Menschen erledigt werden. Wenn ein Entwickler mithilfe eines LLM in einem Tag Arbeit schafft, für die vorher mehrere Tage notwendig waren, wäre es merkwürdig anzunehmen, dass diese Produktivitätssteigerung keinen Einfluss auf Teams und Stellen haben wird.
Auf der anderen Seite besteht Softwareentwicklung aber nicht nur darin, möglichst schnell Code zu produzieren. Schon in meiner Zeit als Entwickler war das eigentliche Schreiben des Codes nur ein Teil der Arbeit. Anforderungen mussten verstanden, bestehende Systeme berücksichtigt, Fehler eingegrenzt und Entscheidungen getroffen werden, deren Folgen manchmal erst später sichtbar wurden. Dazu kamen Abstimmungen mit Menschen, die ein Problem ganz anders beschrieben als Entwickler.
👓 Die Sicht des IT-Projektmanagers
Aus meiner heutigen Perspektive fällt mir dieser Teil noch stärker auf. Ein technisch sauberer Lösungsvorschlag kann trotzdem am eigentlichen Bedarf vorbeigehen. Anforderungen können widersprüchlich sein, es können Abhängigkeiten fehlen, oder eine technisch interessante Lösung kann für ein Unternehmen schlicht zu aufwendig sein. Ein LLM kann bei solchen Fragen helfen und mir weitere Blickwinkel liefern. Die Verantwortung für die Entscheidung kann ich damit aber nicht einfach abgeben.
Die interessantere Frage ist deshalb wahrscheinlich, welche Art von Entwicklern und welches technische Wissen künftig gebraucht werden. Wer einen großen Teil seiner Zeit mit Aufgaben verbringt, die sich gut beschreiben und kontrollieren lassen, wird die Veränderung vermutlich stärker bemerken als jemand, der technische Entscheidungen treffen, bestehende Systeme verstehen oder unklare Anforderungen in eine funktionierende Lösung übersetzen muss.
Das bedeutet allerdings nicht, dass erfahrene IT-Fachkräfte automatisch auf der sicheren Seite stehen. Erfahrung allein hilft wenig, wenn ich neue Werkzeuge ignoriere und für Aufgaben weiterhin einen halben Tag brauche, während ein Kollege mit sinnvoller KI-Unterstützung nur eine Stunde benötigt.
📍 Wo stehst du?
Wenn ich auf meinen eigenen Werdegang zurückblicke, habe ich ohnehin schon mehrfach erlebt, dass Wissen seinen Zweck verändert. Vieles aus meiner Ausbildung zum Energieelektroniker brauche ich heute nicht mehr unmittelbar. Trotzdem hat diese Zeit meine Sicht auf technische Systeme geprägt. Auch aus meiner Zeit als Entwickler sind Kenntnisse geblieben, obwohl ich heute nicht mehr jeden Arbeitstag Anwendungen in C# schreibe. Und mein Studium hilft mir heute an anderen Stellen als 2005 erwartet.
Bei KI könnte etwas Ähnliches passieren, nur wesentlich schneller. Vielleicht werde ich in einigen Jahren deutlich weniger Dinge selbst erstellen, die heute noch zu meiner Arbeit gehören. Das würde jedoch nicht automatisch bedeuten, dass das dahinterstehende Wissen wertlos geworden ist. Ein Teil davon könnte sich vom Ausführen zum Beurteilen verschieben, ein anderer Teil wird möglicherweise tatsächlich weniger wichtig. Dafür kommen Fähigkeiten hinzu, die ich heute noch nicht vollständig absehen kann.
Deshalb möchte ich mich weder auf die optimistische Aussage verlassen, KI werde einfach mehr neue Jobs schaffen, noch auf die pessimistische Vorstellung, dass IT-Fachwissen bald kaum noch gebraucht wird. Beides nimmt mir eine Entscheidung ab, die ich lieber selbst treffe. Ich kann nicht bestimmen, wie schnell sich Modelle entwickeln oder welche IT-Rollen Unternehmen in fünf oder zehn Jahren suchen werden. Ich kann aber beeinflussen, ob ich die Werkzeuge kenne, die meine Arbeit gerade verändern.
Vielleicht befindest du dich an einem ähnlichen Punkt. Hast du schon bemerkt, dass sich bei dir selbst Verschiebungen ergeben, oder befindest du dich noch in der Phase, in der du erst einmal ausprobierst, was alles möglich ist?
🎯 Ein Rest der Frage bleibt
Für mich bedeutet Weiterbildung inzwischen beides: die praktische Nutzung von LLMs und das technische Verständnis dahinter. Nicht, um selbst KI-Forscher zu werden, sondern um Entwicklungen besser einordnen zu können. Gleichzeitig möchte ich mein vorhandenes IT-Wissen nicht gegen KI-Wissen eintauschen. Gerade bei meiner täglichen Nutzung merke ich, dass beide Seiten zusammen interessanter werden.
Die Frage aus dem Titel hat für mich damit noch keine endgültige Antwort. Einige Tätigkeiten, für die ich mein Wissen früher unmittelbar eingesetzt habe, kann ein LLM heute bereits teilweise übernehmen. Mein technischer Hintergrund wird dadurch aber nicht automatisch weniger nützlich. Bei vielen Aufgaben entscheidet er darüber, wie weit ich der Unterstützung vertraue und an welcher Stelle ich selbst genauer hinschaue.
Bei meiner Arbeit verschiebt sich diese Grenze bereits heute. Deshalb beobachte ich inzwischen weniger, was ein LLM für mich erledigen kann, sondern bei welchen Ergebnissen ich noch nachvollziehen kann, warum ich ihnen vertraue.
Über den Autor
Hi! Ich bin Marcel. IT-Projektmanager aus Hamburg und Blogger seit 2018. Ich helfe anderen mit Erfahrungen zu Web-Apps und Cross-Platform-Software. Mehr über mich · Blog unterstützen
Hinweise: Bei den kursiv geschriebenen Wörtern kann es sich um eingetragene Marken oder Firmen handeln (z.B. Apple, Fedora, Google). Die Nutzung erfolgt ausschließlich zu Vergleichszwecken.
Transparenz: Ich nutze KI-Tools (z.B. Proton Lumo, DeepL Write Pro) zur schnelleren Inhaltserstellung und Optimierung. Für Bilder nutze ich Envato Elements und Tools wie Canva, Affinity und GIMP.
