Liu Shengyu entwickelt GPU-Operatoren für DeepSeek: Code, bei dem kleine Änderungen über die Geschwindigkeit großer KI-Modelle entscheiden können. In einem persönlichen Essay beschreibt er, wie gern er diese Arbeit macht – dass er sich aber darauf einstellt, künftig eher Agenten zu steuern, die solche Operatoren schreiben. Seinen Lebensunterhalt werde er wohl weiter verdienen können. Was er vielleicht verliert, ist die Arbeit, in der er gut geworden ist und die er liebt.

Ob KI seine Fähigkeiten tatsächlich so bald erreicht, wie er vermutet, weiß niemand. Aber die Frage bleibt: Wenn die Tätigkeit verschwindet, an der man zum Experten wird – wie entstehen dann die nächsten Experten?

Und Liu stellt eine logische Anschlussfrage: Was geschieht mit Engineering-Skills, wenn Studierende ihre praktischen Übungen von KI erledigen lassen?

Wie wird man zum Experten?

Ein Berufstitel macht niemanden erfahren; per Schulterschlag wird man nicht zum „Senior Whatever“. Erfahrung entsteht an Fällen: einen eigenen Ansatz versuchen, einen Fehler sehen, Rückmeldung bekommen, korrigieren, beim nächsten Mal eine Ausnahme erkennen. Ein guter Engineer prüft einen Vorschlag anhand von Mustern, die er nicht vollständig als Regeln formulieren könnte. Er hat ähnliche Probleme schon gelöst – oder ist an ihnen gescheitert. Daraus entsteht implizites Wissen; seine Anwendung nennen wir oft Intuition.

Wenn ein Agent den ersten Entwurf liefert und den Fehler gleich selbst behebt, kann das heutige Ergebnis besser werden. Für einen Einsteiger fällt aber womöglich genau die Schleife aus, in der er lernt, warum der erste Ansatz falsch war. Nicht jede frühere Junioraufgabe war lehrreich. Die Frage ist, welche Aufgaben nur Arbeit erzeugten und welche nebenbei Urteilskraft aufgebaut haben.

Mir ist das aus meinem eigenen Projekt mit einem AI-Coding-Agenten vertraut: Das Projekt kam voran, während mein Verständnis einzelner Entscheidungen zurückblieb. Das ist eine persönliche Erfahrung aus einem Hobbyprojekt, kein Befund über einen ganzen Arbeitsmarkt. Sie macht für mich aber greifbar, dass produktiver Output und Lernen schnell auseinanderlaufen können.

Wenn die erste Stufe schmaler wird

Ein Bericht des Center for an Urban Future meldet für New York City 49 Prozent weniger Stellenanzeigen für Einstiegspositionen im Tech-Bereich als 2022. Das ist ein mögliches Signal für einen engeren Berufseinstieg. Der Bericht nennt auch höhere Kapitalkosten und wirtschaftliche Unsicherheit; wie viel des Rückgangs auf KI entfällt, lässt sich daraus nicht ablesen. Dass AI dabei eine Rolle spielt, ist plausibel; wie groß diese Rolle ist, bleibt offen.

Für die Ausbildungsfrage muss man deshalb zweierlei fragen: Wie viele Menschen kommen neu in den Beruf? Und welche Erfahrungen machen sie dort noch selbst?

Wer prüft in Zukunft die Agenten-Outputs?

Die übliche Antwort auf automatisierte Arbeit lautet: Ein Mensch schaut am Ende noch einmal drauf. Human-in-the-Loop als Allheilmittel. Aber eine Unterschrift ist keine Prüfung. Ein Abnicken der Plausibilität ist keine Expertenkontrolle. Wer einen riskanten Vorschlag erkennen oder in einem Grenzfall widersprechen soll, braucht eigenes Urteil – und dafür Übung an echten Fällen.

Vielleicht entsteht diese Übung an anderer Stelle. Das neue Handwerk könnte darin liegen, Probleme zu formulieren, Agenten zu testen, Ergebnisse zu vergleichen und Ausnahmen zu diagnostizieren. Das klingt anspruchsvoll. Offen bleibt, ob man es von Grund auf lernen kann oder ob es Fähigkeiten voraussetzt, die bislang beim Ausführen der alten Arbeit entstanden sind. Ich tendiere zu Letzterem.

Für die Arbeit wäre die naheliegende Designfrage: Bei welchen Aufgaben sollen Einsteiger zuerst selbst eine Vermutung entwickeln, den Agentenvorschlag dagegenhalten, Fehler erklären und eine ähnliche Aufgabe später erneut bearbeiten? Nicht aus Nostalgie für Handarbeit oder nach dem Motto „Lehrjahre sind keine Herrenjahre“. Sondern damit jemand lernt, wann er einem Agenten trauen kann – und wann er ihm widersprechen muss.

Das Junioren-Problem am Horizont

Viele Jobs werden bleiben. Sie werden sich unbundlen: in einzelne Tätigkeiten zerfallen und mit neuen Anforderungen wieder zusammengesetzt werden. Das Juniorenproblem verschwindet dadurch nicht. Im Gegenteil: Die Frage ist, ob Menschen in der Ausübung dieser veränderten Berufe noch die Erfahrungen sammeln, die sie brauchen, um schlechte oder gefährliche Arbeit eines Agenten zu erkennen.