Wer bekommt den neuen Job, wenn Automatisierung die Arbeit verändert?

Automatisierung beseitigt selten einen ganzen Beruf in einem einzigen sauberen Schritt. Sie ordnet Aufgaben, Ermessensspielraum, Ausbildung, Überwachung und...

Wer bekommt den neuen Job, wenn Automatisierung die Arbeit verändert?

Der Job ist nie die Aufgabenliste

Eine der irreführendsten Fragen in der Automatisierungsdebatte ist, ob eine Maschine einen Job übernimmt. Ein Job ist selten eine einzelne Sache, die man aus einem Menschen herauslösen und in einen Server legen kann. Er ist ein Bündel aus Aufgaben, Urteilen, Routinen, Beziehungen, Berechtigungen und Stücken lokalem Wissen. Einige dieser Teile können unterstützt werden. Einige können standardisiert werden. Einige können entfernt werden. Andere werden gerade deshalb wichtiger, weil die Routinearbeit woandershin verlagert wurde.

Die Veränderung kommt daher an, bevor die Berufsbezeichnung es tut. Ein Planungssystem kann ändern, wer zur Arbeit eingeteilt wird, auch wenn der Dienstplan noch dieselben Namen trägt. Ein Dokumentationsassistent kann ändern, was als angemessenes Fallpensum gilt, auch wenn der Vertrag noch Sachbearbeiter sagt. Ein Leistungsdashboard kann ein informelles Urteil in ein Ziel verwandeln, auch wenn niemand das Dashboard einen Vorgesetzten nennt. Die Arbeit hat sich verändert. Die Organisation hat vielleicht nur vergessen, ihre Sprache anzupassen.

Deshalb ist die ernsthafte Frage nicht, ob Automatisierung Arbeitsplätze im Abstrakten vernichtet. Es ist die Frage, wer entscheidet, welche Aufgaben verlagert werden, welche neuen Aufgaben entstehen, welche Risiken akzeptiert werden, welche Menschen geschult werden und wer die Befugnis hat, ein Ergebnis anzufechten. Die Antwort bestimmt, ob eine technische Veränderung ein fairer Übergang wird, eine Intensivierung der Arbeit oder eine stille Machtübertragung von den Menschen, die die Arbeit verrichten, an das System, das sie misst.

Stellen Sie sich einen zusammengesetzten Arbeitstag vor, zusammengestellt aus vertrauten Merkmalen und nicht aus einem Bericht über einen namentlich genannten Arbeitgeber. Ein Team erhält ein Werkzeug, das Zusammenfassungen entwirft, Prioritäten vorschlägt und die Zeit misst, die für jeden Fall aufgewendet wird. Das Werkzeug wird als Unterstützung beschrieben. Dem Team wird gesagt, dass keine Rolle entfernt wird. Innerhalb von Wochen werden die einfachen Fälle schneller abgeschlossen, die schwierigen Fälle bleiben bestehen, das Ziel wird aus dem schnelleren Durchschnitt neu berechnet, und die Menschen, die einen Vorschlag hinterfragen, verbringen mehr Zeit damit zu dokumentieren, warum sie das getan haben. Nichts in dieser Abfolge erfordert, dass eine Maschine einen Job übernimmt. Der Job wurde dennoch um die Maschine herum neu gestaltet.

Der Unterschied ist wichtig, weil er ändert, was eine verantwortungsvolle Einführung beantworten muss. Wenn die Arbeit neu angeordnet wird, brauchen die Arbeitnehmer ein Mitspracherecht bei der Karte, nicht ein Motivationsplakat, nachdem die Karte fertig ist. Wenn Urteilsvermögen in ein Bewertungssystem verlagert wird, brauchen die Betroffenen eine Möglichkeit, die Bewertung zu prüfen und anzufechten. Wenn Schulung notwendig ist, um die neue Anordnung tragfähig zu machen, ist Schulung Teil der Veränderung selbst, nicht ein Bonus, der angeboten wird, wenn das Budget großzügig gestimmt ist.

Beginnen Sie damit, was Menschen tatsächlich tun

Gute Übergangsarbeit beginnt mit Beobachtung. Bevor ein Team ein Modell wählt, sollte es die Arbeit so beschreiben, wie sie ausgeführt wird, einschließlich der unbequemen Teile, die nie im Prozessdiagramm auftauchen. Welche Entscheidungen sind Routine? Welche hängen vom Kontext ab? Welche erfordern ein Gespräch, eine berufliche Beziehung oder eine physische Inspektion? Wo bemerken Menschen, dass ein Datensatz unvollständig ist? Wo gleichen sie ein System aus, das den Unterschied zwischen einem ungewöhnlichen Fall und einem schlechten nicht kennt?

Dies ist kein Argument dafür, menschliche Arbeit zu romantisieren. Einige Routinen sind mühsam, repetitiv und schlecht geeignet für einen Menschen, der andere Dinge zu tun hat. Das Entfernen unnötigen Kopierens, Suchens oder Neuformatierens kann eine echte Verbesserung sein. Es geht darum, die Aufgabe zu benennen, die sich ändern sollte, anstatt den Beruf als einen einzigen Block zu behandeln. Ein System, das doppelte Eingaben entfernt, kann Zeit zurückgeben. Ein System, das die Zeit entfernt, die benötigt wird, um eine unsichere Antwort zu prüfen, kann einen schnelleren Weg schaffen, falsch zu liegen.

Eine nützliche Aufgabenkarte hat mindestens vier Ebenen. Die erste ist die sichtbare Handlung: klassifizieren, entwerfen, planen, prüfen, beantworten oder genehmigen. Die zweite ist das Urteil, das darin verborgen liegt: was als vollständig, dringend, sicher, fair oder relevant gilt. Die dritte ist die Verantwortung, die an das Urteil geknüpft ist: wer die Entscheidung erklären, korrigieren und die Konsequenzen tragen muss. Die vierte ist die Lernschleife: wer ein neues Muster bemerkt, die Praxis aktualisiert und dem System mitteilt, dass seine alte Abkürzung nicht mehr funktioniert.

Diese Ebenen sind oft auf ein Team verteilt. Eine Empfangsmitarbeiterin mag ein Detail bemerken, das ein Politikanalyst formalisiert. Ein Techniker mag einen Fehler erkennen, den ein Ingenieur später als Regel kodiert. Eine Sozialarbeiterin mag wissen, dass eine Formulierung in einem Formular ein Zeichen von Not ist und kein fehlendes Feld. Das System kann jede Person unterschiedlich unterstützen, aber es sollte den Weg nicht auslöschen, auf dem Wissen in die Organisation gelangt. Wenn die Menschen, die die Ausnahme sehen, von der Gestaltung ausgeschlossen sind, wird das System sehr konsequent darin sein, sie zu übersehen.

Die Arbeit der Internationalen Arbeitsorganisation zu generativer KI ist hier hilfreich, weil sie die Offenlegung von Aufgaben vom Schicksal ganzer Berufe trennt. Ihre Analyse zeigt, dass viele Arbeitsplätze nur teilweise betroffen sind und eher ergänzt als vollständig ersetzt werden. Das bedeutet nicht, dass der Übergang harmlos ist. Die IAO weist auf Veränderungen bei Arbeitsqualität, Arbeitsintensität und Autonomie hin und sagt, dass das Ergebnis davon abhängt, wie die Technologie eingeführt wird. Eine Aufgabe mag formal menschlich bleiben, während die Bedingungen darum herum weniger menschlich werden.

Dieselbe Analyse warnt auch davor, Offenlegungsindikatoren als Prognosen für Arbeitsplatzverluste zu behandeln. Ein Offenlegungswert kann aufzeigen, wo eine Technologie Arbeit berühren könnte. Er kann uns nicht sagen, ob ein Arbeitgeber die Möglichkeit nutzen wird, um Mühsal zu verringern, den Durchsatz zu erhöhen, Ermessensspielraum zu entfernen oder einen besseren Dienst zu schaffen. Das ist eine Management- und Gesellschaftsfrage. Eine Zahl kann die Tür lokalisieren. Sie kann uns nicht sagen, wer hindurchgehen darf.

Automatisierung verändert ein Netz von Arbeit, nicht nur ein einzelnes Kästchen in einem Organigramm. Die Karte hält Urteil und Verantwortung sichtbar.

Augmentierung kann Arbeit dennoch intensivieren

Das Wort Augmentierung klingt beruhigend, weil es suggeriert, dass eine Person im Bild bleibt. Es ist für sich genommen keine Garantie für bessere Arbeit. Ein System kann eine Arbeitskraft augmentieren, indem es ihr ein nützliches Werkzeug gibt, oder indem es ihr einen größeren Stapel von Fällen und ein kleineres Zeitfenster gibt, um jeden einzelnen zu bearbeiten. Es kann die Qualität einer Entscheidung verbessern, oder es kann eine Entscheidung objektiv genug aussehen lassen, dass sich niemand berechtigt fühlt, sie infrage zu stellen.

Arbeitsintensität ist nicht nur die Anzahl der erledigten Aufgaben. Sie umfasst die erwartete Geschwindigkeit, die tolerierten Unterbrechungen, den emotionalen Aufwand im Umgang mit Ausnahmen und die Menge an Aufmerksamkeit, die für eine sorgfältige Entscheidung zur Verfügung steht. Ein Entwurfswerkzeug mag bei einem Routinebrief Zeit sparen, während es zugleich die Zahl der Briefe erhöht, die von einer Person erwartet werden. Ein Routenoptimierer mag Fahrzeiten verkürzen, während er jede gesparte Minute mit einem weiteren Besuch füllt. Ein Dashboard mag einen Engpass aufzeigen, um ihn dann stillschweigend in ein individuelles Leistungsproblem zu verwandeln.

Die Erkenntnisse der ILO stellen die Arbeitsqualität aus gutem Grund neben die Arbeitsmenge. Eine Rolle kann bestehen bleiben, während die Autonomie schrumpft. Eine Person kann ihren Titel behalten, während sie den Ermessensspielraum verliert, der die Rolle zu einer qualifizierten gemacht hat. Der Übergang kann auch ungleichmäßig verlaufen. Beschäftigte, die bereits Zugang zu zuverlässigen Systemen und Schulungen haben, können an Einfluss gewinnen, während Beschäftigte im selben Beruf die schwierigen Fälle mit weniger Zeit und geringeren Ressourcen bewältigen müssen. Das Gesamtbild kann wie Produktivität aussehen, während sich der Arbeitsalltag als eine Warteschlange erweist, die nie ganz leer wird.

Deshalb sollte ein verantwortungsvoller Vorschlag die angestrebte Verbesserung in Begriffen beschreiben, die eine Arbeitnehmerin oder ein Arbeitnehmer überprüfen kann. Beseitigt das System einen doppelten Schritt? Macht es relevante Informationen leichter auffindbar? Lässt es Zeit für ein Gespräch, das nicht automatisiert werden kann? Verringert es die Belastung durch eine gefährliche Aufgabe? Was geschieht mit der gesparten Zeit? Wenn die Antwort schlicht lautet, dass das Team mehr bearbeiten wird, dann geht es der Organisation nicht um Augmentierung. Es geht um ein neues Ausgabeziel mit einer höflichen Oberfläche.

Es gibt auch ein Qualitätsproblem. Wenn ein System den Regelfall übernimmt, sehen die Menschen einen größeren Anteil an ungewöhnlichen Fällen. Die verbleibende Arbeit wird mehrdeutiger, folgenreicher oder stärker von Erfahrung abhängig. Das kann ein guter Grund sein, in Fachwissen zu investieren. Es kann aber auch dazu dienen, zu dem Schluss zu kommen, die Arbeit sei nun zu unregelmäßig, um einen ordentlichen Prozess zu verdienen. Der erste Weg behandelt Urteilsvermögen als Fähigkeit. Der zweite behandelt es als Kostenstelle, die noch nicht erfolgreich komprimiert wurde.

Ein Übergangsplan sollte daher eine kontrafaktische Annahme enthalten, die selten niedergeschrieben wird: Wie sieht die Arbeit aus, wenn das System genau genug ist, um nützlich zu sein, aber nicht genau genug, um ohne Prüfung vertraut zu werden? Das ist der Normalfall für viele Entscheidungsunterstützungssysteme. Die Antwort sollte benennen, wo die Prüfung stattfindet, wie lange sie dauert, welche Belege sie benötigt und wie eine Person die Empfehlung ablehnen kann, ohne als ineffizient zu gelten.

Der verborgene Manager in der Software

Automatisierung wird zu Arbeitsplatz-Governance, wenn Software beginnt, Arbeit zuzuweisen, zu lenken, zu bewerten oder zu kontrollieren. Sie muss nicht künstliche Intelligenz genannt werden. Eine feste Regel, die eine Aufgabe anhand der Verfügbarkeit vergibt, kann den Tagesablauf prägen. Ein Bewertungssystem kann den Zugang zu künftiger Arbeit beeinflussen. Ein Modell, das eine wahrscheinliche Verzögerung vorhersagt, kann verändern, wer die schwierige Schicht erhält. Der technische Unterschied zwischen einer Regel und einem gelernten Modell ist für die Transparenz von Bedeutung, aber die Beschäftigten erleben beide durch die Entscheidung, die bei ihnen ankommt.

Die Studie der Europäischen Kommission zum algorithmischen Management beschreibt dieses Feld als eine Reihe von Praktiken, die traditionelle Managementfunktionen automatisieren oder unterstützen können. Zu diesen Funktionen gehören Rekrutierung, Aufgabenverteilung, Überwachung, Bewertung und Entscheidungen über Aufstieg oder Beendigung. Die Studie stellt außerdem fest, dass die politischen und rechtlichen Antworten über mehrere Instrumente verteilt sind, statt in einem einzigen übersichtlichen Arbeitsgesetzbuch gebündelt zu sein. Diese Zersplitterung ist eine administrative Tatsache, keine Lizenz, so zu tun, als hätte die Software keine managerähnlichen Wirkungen.

Algorithmische Steuerung wird oft mit einem kleinen betrieblichen Versprechen eingeführt. Menschen schneller Aufgaben zuordnen. Kapazitäten erkennen, bevor der Dienstplan bricht. Einer Führungskraft einen klareren Überblick verschaffen. Ein Sicherheitsproblem erkennen. Jedes Versprechen für sich mag vernünftig sein. Das Risiko entsteht, wenn die Kennzahl zum Stellvertreter für die Arbeit wird. Reaktionszeit steht für Fürsorge. Eine Bewertung steht für Zuverlässigkeit. Bildschirmaktivität steht für Einsatz. Der Stellvertreter ist leichter zu zählen, also beginnt die Organisation, ihn für realer zu halten als das, was er eigentlich beschreiben sollte.

Sobald ein Stellvertreter den Zugang zu Arbeit regelt, ändert sich die Beweislast. Eine Führungskraft kann eine Entscheidung im Kontext meist erklären, selbst wenn die Erklärung schlecht ist. Ein System kann einen Wert erzeugen, der neutral wirkt, weil seine Eingaben verborgen sind. Die Beschäftigten müssen dann sowohl das Ergebnis anfechten als auch die Vorstellung, dass dieses Ergebnis die richtige Art von Beleg ist. Deshalb sind Informationszugang, menschliche Überprüfung und echte Anfechtbarkeit wichtig. Eine Antwort, die sagt, das System sei komplex, ist keine Erklärung. Sie ist eine Einladung, aufzuhören zu fragen.

Überwachung verdient besondere Aufmerksamkeit. Daten, die für Koordination erhoben werden, können für Bewertung wiederverwendet werden. Daten, die für Sicherheit erhoben werden, können für Disziplinarmaßnahmen zweckentfremdet werden. Daten, die während der Arbeit erhoben werden, können intime Informationen über Gesundheit, Sorgeverantwortung oder Verbindungen preisgeben. Die Tatsache, dass ein System ein Signal erfassen kann, macht die Nutzung dieses Signals noch nicht fair. Ein Arbeitsplatz ist kein Labor, in dem Einwilligung vorausgesetzt werden kann, weil die Beschäftigten vor Schichtbeginn durch einen Bildschirm geklickt haben.

Der Europäische Gewerkschaftsbund hat argumentiert, dass aufdringliche Arbeitsplatzanwendungen strengere Grenzen brauchen, dass Beschäftigte und ihre Vertretungen Informationen in verständlicher Sprache erhalten sollten und dass die Anhörung vor der Einführung und bei wesentlichen Änderungen stattfinden sollte. Seine Position verbindet algorithmische Systeme auch mit Tarifverhandlungen, Schulung der Beschäftigten und dem Recht, Entscheidungen zu prüfen und zu korrigieren. Das sind keine technischen Zusätze. Sie erkennen an, dass ein Arbeitsplatz eine soziale Institution ist und dass die Verlagerung von Entscheidungsbefugnis in Software das Gleichgewicht innerhalb dieser Institution verändert.

Anhörung ist Teil der Gestaltung

Information und Anhörung werden manchmal als zeremonielle Phasen behandelt, die der eigentlichen Entscheidung folgen. Der europäische Rahmen gibt uns keinen Grund, sie so zu behandeln. Der Rahmen der Kommission zur Richtlinie 2002/14/EG stellt rechtzeitige Information und Anhörung als Teil davon dar, wie Organisationen mit wesentlichen Veränderungen und neuen Formen der Arbeitsorganisation umgehen. Die Richtlinie schafft einen allgemeinen Rahmen, mit nationalen Wahlmöglichkeiten bei Umfang und Umsetzung. Sie ist kein KI-Handbuch. Sie ist eine Erinnerung daran, dass eine wesentliche Veränderung der Arbeit ein Verfahrensleben hat, bevor sie zu einer technischen Einführung wird.

Der Zeitpunkt ist wichtig. Ein Treffen, nachdem der Anbieter ausgewählt und der Arbeitsablauf konfiguriert wurde, ist nicht dasselbe wie ein Gespräch, während die Organisation noch entscheidet, welches Problem sie lösen will. Frühe Beteiligung ermöglicht es den Beschäftigten zu fragen, welche Daten notwendig sind, welche Aufgaben tatsächlich verändert werden, wie mit Fehlern umgegangen wird und wie die Ausweichlösung aussieht. Sie bringt auch Wissen hervor, das von außen schwer zu kaufen ist. Menschen, die die Arbeit verrichten, wissen, wo der Prozess brüchig ist, weil sie Jahre damit verbracht haben, ihn aufrechtzuerhalten.

Anhörung verlangt nicht, dass jede Entscheidung einstimmig getroffen wird. Sie verlangt, dass die betroffenen Menschen als Beteiligte an einer Veränderung behandelt werden, nicht als Sensoren, die nach der Einführung Widerstand melden. Ein ernsthafter Prozess sollte festhalten, was vorgeschlagen wurde, was die Beschäftigten angefochten haben, was sich dadurch geändert hat und welche Meinungsverschiedenheiten bestehen bleiben. Wenn ein Vorschlag dennoch angenommen wird, sollte die Organisation erklären können, warum. Das ist reifer, als so zu tun, als hätte niemand eine Meinung, nur weil keine Einigung erzielt wurde.

Es gibt einen praktischen Grund, diesen Sachverhalt ausdrücklich festzuhalten. Systeme verändern sich nach ihrer Einführung. Das Modell wird aktualisiert, die Datenquelle wechselt, eine neue Abteilung kommt hinzu, eine Bewertungskennzahl wird angepasst oder ein Zulieferer schreibt seine Richtlinien-Engine neu. Eine einmalige Beratung kann ein sich veränderndes System nicht abdecken. Arbeitnehmervertretungen brauchen einen dauerhaften Weg, um Auswirkungen zu bemerken und eine Überprüfung zu beantragen. Andernfalls hat die Organisation Version eins konsultiert und mit Version drei bereits eine andere Maschine gesteuert.

Der Vorschlag des EGB für eine Richtlinie über algorithmische Systeme am Arbeitsplatz sieht eine Folgenabschätzung vor der Einführung und danach in regelmäßigen Abständen vor, unter Beteiligung der Arbeitnehmer und ihrer Vertretungen. Das ist ein nützliches Gestaltungsprinzip, auch dort, wo der Vorschlag nicht Gesetz ist. Eine Folgenabschätzung sollte kein Dokument sein, das beweist, dass die Entscheidung bereits getroffen wurde. Sie sollte ein Ort sein, an dem die Organisation benennt, wer betroffen sein könnte, was schiefgehen könnte, welche Belege beobachtet werden und wer die Befugnis hat, den Kurs zu ändern.

Dasselbe Prinzip gilt für kleine Organisationen. Ein kleinerer Arbeitgeber hat vielleicht keinen Betriebsrat oder keine eigene Datenschutzabteilung, muss aber dennoch verstehen, was ein System für die Menschen verändert, die es nutzen. Der Papieraufwand kann geringer sein. Die Fragen dürfen nicht verschwinden. Andernfalls kann aus einer überschaubaren Einführung ein großes Governance-Problem werden, für dessen Beobachtung niemand zuständig ist.

Schulung ist Gestaltungsmacht

Schulung ist oft das erste Versprechen, das gegeben wird, und das Erste, das gestrichen wird. Ein Einführungsplan sagt, dass die Beschäftigten eine Schulung erhalten. Die Schulung wird zu einer Präsentation. Die Präsentation wird zu einer Aufzeichnung. Die Aufzeichnung wird zu einem Link in einem Lernportal, den alle gesehen haben sollen, bevor das neue System leise die Regeln der Arbeit verändert.

Das ist nicht das, was die Menschen brauchen. Sie brauchen genug Verständnis, um zu erkennen, was das System tut, was es nicht tut, welche Daten es verwendet, wie seine Ausgabe geprüft werden sollte, wann es ignoriert werden sollte, wie ein Fehler gemeldet wird und was passiert, wenn sie eine Empfehlung ablehnen. Sie brauchen Zeit, um mit den tatsächlichen Fällen und Randbedingungen ihrer Arbeit zu üben. Sie müssen wissen, wer eine Frage beantworten kann, ohne sie in ein Ticket zu verwandeln, das in einer Warteschlange des Zulieferers verschwindet.

Der AI Act formuliert diesen praktischen Punkt in Rechtssprache. Anbieter und Bereitsteller müssen Maßnahmen ergreifen, um ein angemessenes Maß an KI-Kompetenz für Personen sicherzustellen, die Systeme in ihrem Auftrag nutzen, unter Berücksichtigung ihrer technischen Kenntnisse, Erfahrung, Bildung, Schulung und des Kontexts, in dem das System verwendet wird. Für bestimmte Hochrisikosysteme benötigen die mit der menschlichen Aufsicht betrauten Personen Kompetenz, Schulung und Befugnis. Die Verordnung erhält außerdem die bestehenden Informations- und Konsultationsrechte der Arbeitnehmer und ihrer Vertretungen. Kompetenz ist daher mit Befugnis verbunden, nicht nur mit Vertrautheit mit einem Produktbildschirm.

Die Position des EGB zur Kompetenzentwicklung der Arbeitnehmer geht in eine Richtung weiter, die für Fairness von Bedeutung ist. Sie behandelt KI-Kompetenz als die Fähigkeit, kritisch zu verstehen, wie KI Arbeit und Berufe beeinflusst, nicht nur als die Fähigkeit, ein Werkzeug für den Arbeitgeber zu bedienen. Dieser Unterschied ist leicht zu übersehen. Wenn eine Schulung einer Person beibringt, einen Vorschlag anzunehmen, aber nicht, das System, das ihn hervorgebracht hat, zu hinterfragen, hat die Organisation Gehorsam geschult, nicht Fähigkeit.

Ein sinnvoller Schulungsplan hat mindestens drei Zielgruppen. Die erste ist die Person, die das System in der täglichen Arbeit nutzt. Sie braucht operative Kompetenz: Eingaben, Ausgaben, Unsicherheit, Eskalation und sichere Nutzung. Die zweite ist die Person, die die Arbeit überprüft oder beaufsichtigt. Sie braucht Entscheidungskompetenz: Belege, Verzerrung, Widerspruch, Übersteuerung und Konsequenzen. Die dritte ist die Gruppe, die die Arbeitnehmer vertritt oder die Organisation prüft. Sie braucht Governance-Kompetenz: Zweck, Datenflüsse, Auswirkungen, Änderungen, Zugang zu Fachwissen und Wege zur Abhilfe.

Auch bei der Schulung gibt es ein Verteilungsproblem. Menschen mit der geringsten Zeit und der schwächsten Verhandlungsposition erhalten oft am ehesten eine kurze allgemeine Sitzung. Menschen, die das System entwerfen, erhalten ausführliche Einweisungen und eine direkte Verbindung zum Anbieter. Das Ergebnis ist eine Wissenshierarchie, die der Macht folgt. Wenn ein neues System die Arbeit vieler Menschen verändern soll, sollte die Organisation mehr Aufwand in die Menschen stecken, die mit dem System leben müssen, als in diejenigen, die die Einführungspräsentation halten werden.

Die Schulung sollte als Nachweis der Bereitschaft behandelt werden, nicht als zeremonielle Abschlussquote. Kann eine Arbeitskraft einen Fall erkennen, der eine menschliche Prüfung erfordert? Kann sie erklären, warum eine Empfehlung abgelehnt wurde? Kann eine Führungskraft den Arbeitsablauf anhalten? Kann eine Vertretung die Informationen anfordern, die zur Bewertung einer Änderung erforderlich sind? Kann die Organisation zeigen, was geschah, als jemand ein Anliegen vorgebracht hat? Wenn die Antwort nein lautet, liegt das Problem nicht darin, dass die Arbeitskräfte nicht begeistert genug sind. Das System wurde nicht verantwortungsvoll eingeführt.

Fähigkeiten werden bedeutsam, wenn sie mit der Befugnis einhergehen, das System zu hinterfragen, zu überschreiben und neu zu gestalten.

Wer bekommt die neue Aufgabe?

Wenn eine Routine in Software übergeht, verschwindet die Arbeit nicht in einer Wolke. Sie taucht woanders wieder auf. Jemand schreibt die Regeln, pflegt die Daten, prüft die Ausnahmen, bearbeitet Einsprüche, wartet die Integration, überwacht die Sicherheit und erklärt das Ergebnis. Diese Aufgaben können neue Rollen sein, neue Verantwortlichkeiten innerhalb bestehender Rollen oder unsichtbare Arbeit, die den Menschen aufgebürdet wird, die bereits am wenigsten freie Zeit haben.

Die Frage der Verteilung ist daher konkret. Wer bekommt die technische Arbeit? Wer bekommt die interpretierende Arbeit? Wer ist dem Risiko ausgesetzt, wenn das System versagt? Wer erhält die Zeit, die durch Automatisierung eingespart wird? Von wem wird erwartet, einen neuen Prozess zu lernen, ohne Änderung von Bezahlung, Arbeitspensum oder Status? Ein Übergang, der nur die erste Frage beantwortet, kann eine kleine Gruppe von Spezialisten schaffen und eine viel größere Gruppe von Menschen, deren Arbeit genauer gemessen wird.

Es gibt keine allgemeingültige Regel, dass jede Ersparnis zu Freizeit werden muss oder jede neue Aufgabe zu einer neuen Berufsbezeichnung. Organisationen haben unterschiedliche Zwecke und Tarifverträge. Aber die Verteilung sollte bewusst und diskutierbar sein. Wenn Automatisierung repetitive Verwaltungstätigkeiten beseitigt, könnte der Nutzen mehr Zeit für Pflege, Forschung, Instandhaltung oder Publikumskontakt sein. Wenn sie Überwachungspflichten schafft, brauchen diese Pflichten Kapazität und Anerkennung. Wenn sie den Wert kontextueller Fachkenntnis erhöht, sollten die Menschen mit dieser Fachkenntnis nicht als vorübergehende Hindernisse für einen saubereren Datensatz behandelt werden.

Die Politik zu Kompetenzen ist wichtig, weil der Wandel bestehende Ungleichheiten vergrößern kann. Die ILO stellt in ihrer Analyse fest, dass die Beschäftigung von Frauen stärker generativer KI ausgesetzt ist, unter anderem weil Frauen in Büroberufen überrepräsentiert sind. Dies ist eine Aussage über die potenzielle Betroffenheit, keine Prognose darüber, wer seinen Arbeitsplatz verlieren wird. Sie zeigt jedoch, warum eine neutral klingende Einführung ungleiche Auswirkungen haben kann. Wenn die am stärksten betroffenen Rollen zugleich die Rollen mit weniger Möglichkeiten für bezahlte Weiterbildung oder Aufstieg sind, verteilen sich die Vorteile nicht von selbst. Magie bleibt eine unzuverlässige Personalstrategie.

Alter, Behinderung, Betreuungsaufgaben, Sprache und Beschäftigungsstatus können ebenfalls beeinflussen, wer von einem neuen System profitiert. Ein Tool, das ununterbrochene Verfügbarkeit voraussetzt, kann Betreuungspflichten benachteiligen. Eine Leistungskennzahl, die barrierefreie Arbeitsweisen ignoriert, kann aus einer Anpassung eine Abweichung machen. Ein System, das ein enges Sprachmodell verwendet, kann für Menschen, die in einer anderen Sprache kommunizieren, zusätzliche Prüfschritte schaffen. Dies sind keine Randfälle, die in einen späteren Gleichstellungsbericht verschoben werden können. Sie gehören zu dem, was es bedeutet, dass das System Arbeit organisiert.

Die Plattformökonomie bietet Europa einen klaren Ort, um diese Dynamiken zu untersuchen. Die Plattformarbeits-Richtlinie, erlassen als Richtlinie (EU) 2024/2831, befasst sich mit Beschäftigungsstatus und algorithmischem Management in der Plattformarbeit. Sie enthält Regelungen zu Transparenz, Datenschutz, menschlicher Überwachung und Überprüfung wesentlicher Entscheidungen sowie Rechte auf Erläuterungen und Anfechtung. Die Richtlinie konzentriert sich auf Plattformarbeit, aber ihre Logik reicht weiter: Wenn Software Arbeit lenkt und bewertet, braucht der Arbeitnehmer mehr als einen Link zu den Nutzungsbedingungen und eine freundliche Benachrichtigung.

Die Richtlinie ist auch eine nützliche Erinnerung daran, dass technische Kontrolle rechtliche Bedeutung haben kann. Sie fordert Organisationen auf, Raum für menschliche Überwachung und Überprüfung zu schaffen, wesentliche Entscheidungen zu erläutern und bestimmte Kategorien von Arbeitnehmerdaten sorgfältig zu behandeln. Das ergibt kein perfektes Modell für jeden Arbeitsplatz. Es schafft eine Grundlage, von der aus das breitere Gespräch beginnen kann: Wenn Software Arbeit organisiert, brauchen Menschen Rechte, die über die Benutzeroberfläche der Software hinaus Bestand haben.

Anfechtbarkeit ist eine Arbeitsbedingung

Ein Arbeitnehmer kann eine Entscheidung, die nicht lokalisierbar ist, nicht sinnvoll anfechten. Die Organisation muss wissen, welches System sie erzeugt hat, welche Version in Kraft war, welche Daten verwendet wurden, welche Regel oder welches Modellergebnis ausschlaggebend war und wer zu ihrer Überprüfung befugt ist. Der Arbeitnehmer braucht einen Weg, der nicht davon abhängt, den internen Namen einer Anbieterfunktion zu erraten. Die prüfende Person braucht genügend Zeit und Informationen, um mehr zu tun, als das Ergebnis mit einer menschlichen Unterschrift zu genehmigen.

Die Plattformarbeits-Richtlinie verleiht diesem Prinzip für die von ihr erfassten Personen eine rechtliche Form. Sie verlangt menschliche Aufsicht über automatisierte Überwachungs- und Entscheidungssysteme, sieht Erläuterungen für Entscheidungen vor, die von solchen Systemen getroffen oder unterstützt werden, und schafft Wege, um wesentliche Entscheidungen anzufechten. Sie setzt auch Grenzen für Kategorien personenbezogener Daten, die Plattformen für algorithmisches Management verarbeiten dürfen. Diese Details sind wichtig, denn ein Recht ohne operativen Weg ist oft ein Vorschlag, der als Schutzmaßnahme auftritt.

Für andere Arbeitsplätze bietet die Architektur der Anfechtbarkeit dennoch einen nützlichen Test. Man sollte fragen, ob eine Person die Handlung unterbrechen kann, bevor sich Schaden ausbreitet. Man sollte fragen, ob sie den Grund in Begriffen sehen kann, die mit der Arbeit zusammenhängen. Man sollte fragen, ob die prüfende Person die Befugnis hat, das Ergebnis zu verwerfen. Man sollte fragen, ob wiederholte Anfechtungen zu einer Änderung des Systems führen können, statt zu einer Sammlung einzelner Ausnahmen, die niemand analysiert. Man sollte fragen, ob ein Arbeitnehmer eine Anfechtung vorbringen kann, ohne eine versteckte Benachteiligung bei der nächsten Zuteilung zu riskieren.

Contestability is also collective. One disputed score may look like a personal disagreement. A pattern of disputed scores may reveal a bad input, an unfair proxy or a workload that the system has never been designed to represent. Worker representatives and inspectors need access to the pattern, not only to individual screens. The organisation should be able to aggregate challenges without turning the people who raised them into a new risk category.

There is a temptation to treat human review as a final rubber stamp. That is unsafe and unfair. A reviewer who is measured on speed, given no access to underlying information and told that the system is more accurate than they are is not exercising oversight. They are lending a human face to an automated decision. The AI Act’s references to competence, training, authority and the ability to disregard or interrupt a high-risk system are useful because they make the difference explicit. A human in the workflow is not automatically a human in control.

The legal floor and the organisational ceiling

European law sets floors. It does not write every good workplace process for an organisation. The AI Act has requirements around AI literacy, information to workers and their representatives in relevant high-risk deployments, human oversight and fundamental-rights impact assessments for specified uses. The information and consultation framework adds a broader labour-law context. Data-protection rules constrain what may be collected and how decisions may be made. The platform-work directive adds specific protections where digital platforms organise labour.

A legal floor is valuable because it stops the worst argument in the room: that nothing needs to be done until a regulator points at this exact feature. It is not a ceiling. A system can comply with a narrow requirement and still make work more exhausting, less intelligible or harder to contest. Organisations that want a durable transition should write a higher internal standard, especially where the law is deliberately general or where the deployment sits outside a particular sectoral rule.

That standard can be expressed as a chain of questions. What is the purpose of the system, and what is outside its purpose? Which tasks are changed, and which judgements must remain visible? What data is necessary, and what data is merely available? Who is affected directly and indirectly? What evidence shows that the system is useful in this context? Who can override it, with what training and protection? How will a worker challenge a result? What happens when the model, supplier or policy changes? Who owns the decision to pause or retire the system?

These questions should be answered before procurement is complete, not hidden in an appendix after the first incident. A supplier can provide documentation and support. It cannot know the full meaning of a workflow inside an organisation it does not run. The deployer knows the context, the affected people and the consequences of a bad shortcut. That is why the AI Act treats deployers as important actors for high-risk systems. The responsibility does not disappear at the contract boundary.

It is also useful to specify what success is not. A successful rollout is not a high adoption rate if workers adopt the system because refusing it damages their prospects. It is not a lower average handling time if difficult cases are deferred. It is not a dashboard with green indicators if the people closest to the work have stopped reporting errors. It is not a training completion figure if nobody can explain how to stop the workflow. Measures are tools for judgement, not a substitute for it.

A transition that leaves a trace

Verantwortungsvoller Wandel braucht ein Gedächtnis. Die Organisation sollte den beabsichtigten Zweck, die Aufgabenübersicht, die Datenquellen, die Konsultation, die Schulungen, die Tests, die Grenzen und die Entscheidungen dokumentieren, die getroffen wurden, wenn die Evidenzlage unsicher war. Sie sollte festhalten, welche Version verwendet wurde und wann sich die Betriebsbedingungen geändert haben. Ein Mitarbeiter sollte die Geschichte einer Entscheidung nicht aus Nachrichten, Screenshots und der Erinnerung eines Kollegen rekonstruieren müssen. Das ist eine schlechte Art, sowohl mit Arbeit als auch mit Evidenz umzugehen.

Die Dokumentation sollte auch abweichende Meinungen enthalten. Eine glattpolierte Bereitstellungsdatei, die nur Genehmigungen enthält, ist kein Bericht über eine Konsultation. Sie ist ein Zertifikat des Optimismus. Fragen von Mitarbeitern, Interessenvertretern, Sicherheitsbeauftragten und Gleichstellungsexperten sind Teil der Design-Evidenz. Sie zeigen, wo das System versagen könnte und welche Annahmen nicht geteilt wurden. Sie sichtbar zu halten, erleichtert es auch, eine Entscheidung zu überdenken, ohne so zu tun, als sei das Bedenken erst nach der Bereitstellung zum ersten Mal aufgetaucht.

Das Monitoring sollte der Arbeit folgen und nicht nur dem Modell. Achten Sie auf Veränderungen bei der Aufgabenmischung, der Bearbeitungszeit, den Fehlermustern, dem Zugang zu Schulungen, Einsprüchen, Abwesenheiten, Überstunden und darauf, wer die schwierigen Fälle erhält. Das sind nicht alles KI-Kennzahlen. Es sind Signale für die Arbeitsbedingungen. Ein Modell kann dieselbe Genauigkeit behalten, während die umgebende Arbeit weniger tragfähig wird. Wenn die Organisation nur das Modell überwacht, übersieht sie möglicherweise die Arbeit, die um es herum neu organisiert wurde.

Es sollte eine Geschichte zum Ablauf der Nutzung geben. Ein System, das für einen Zweck eingeführt wurde, sollte nicht aus Trägheit dauerhaft bleiben. Legen Sie ein Überprüfungsdatum, eine Änderungsschwelle und eine klare Verantwortlichkeit fest. Wenn sich die Daten ändern, sich die Aufgabe ändert, sich die Rechtsgrundlage ändert oder sich die betroffenen Menschen ändern, sollte die Organisation wissen, ob eine neue Bewertung und Konsultation erforderlich sind. Wartung ist kein Eingeständnis, dass die erste Entscheidung schwach war. Sie ist eine Anerkennung, dass sich sowohl Arbeit als auch Software weiterentwickeln.

Das kann für einen kleinen Eingriff schwergewichtig klingen. Die Antwort ist Verhältnismäßigkeit, nicht Verschwinden. Ein Formulierungsassistent ohne Zugriff auf personenbezogene Aufzeichnungen benötigt möglicherweise ein schlankeres Verfahren als ein System, das den Zugang zu Schichten, Leistungen, Pflege oder Beschäftigung bestimmt. Aber selbst ein kleines Werkzeug verdient eine Aussage darüber, was es darf und was es nicht darf. Klarheit skaliert besser nach unten als Bürokratie, weil sie den Menschen sagt, wo sie aufhören sollen.

Wie ein fairer Anteil aussieht

Der Begriff fairer Übergang wird oft verwendet, als ob Fairness eintreten werde, sobald die Technologie korrekt installiert ist. Das wird sie nicht. Fairness ist eine Reihe von Entscheidungen über Zeit, Mitsprache, Fähigkeiten, Risiko und Nutzen. Es geht darum, ob die Beschäftigten den Wandel mitgestalten können, ob sie ihn verstehen können, ob sie ihn anfechten können und ob die Gewinne geteilt werden, anstatt stillschweigend in höhere Erwartungen umgewandelt zu werden.

Den Gewinn zu teilen bedeutet nicht immer eine direkte Zahlung. Es kann eine kürzere Warteschlange bedeuten, mehr Zeit mit Menschen, weniger gefährliche Arbeit, bessere Ausrüstung, die Chance, eine geschätzte Fähigkeit zu erlernen, einen Weg in eine neue Rolle oder ein professionelles Urteil, das ernster genommen wird, weil die Routinearbeit es nicht mehr verdrängt. Die Wahl sollte mit den Menschen getroffen werden, deren Arbeit sich verändert. Andernfalls könnte die Organisation ein Ergebnis optimieren, das aus der Vorstandsetage effizient aussieht und sich in der Praxis wie eine permanente Beschleunigung anfühlt.

Es gibt auch eine gesellschaftliche Dimension. Arbeitsplätze bilden Menschen für die Institutionen um sie herum aus. Wenn jedes digitale System lehrt, dass ein Score glaubwürdiger ist als eine Person, wandert diese Gewohnheit in öffentliche Dienste und den Alltag. Wenn Arbeitsplätze lehren, dass Evidenz hinterfragt werden kann, Entscheidungen erklärt werden können und Autorität unterbrochen werden kann, wandern auch diese Gewohnheiten. Die Gestaltung eines automatisierten Arbeitsablaufs ist daher nicht nur eine interne Angelegenheit. Sie ist eine Übung darin, wie eine Gesellschaft mit Urteilsvermögen umgeht.

Europas Beharren auf Information, Konsultation, sozialem Dialog, Datenschutz und menschlicher Aufsicht wird manchmal als Bremse für Innovation karikiert. Eine bessere Lesart ist, dass es hier um Wege geht, zu entscheiden, wer die Folgen einer neuen Fähigkeit trägt. Geschwindigkeit ist nicht neutral, wenn die Menschen, die das System nicht verlangsamen können, den Fehlern ausgesetzt sind. Ein Übergang, der besprochen, geprüft und überarbeitet werden kann, braucht vielleicht länger, bis er startet. Er hat aber auch bessere Chancen, nützlich zu bleiben, wenn der Neuheitsreiz verflogen ist.

Bei Dweve ist das der kleine Teil der Frage, auf den wir in Ground truth und unserer Arbeit zur KI-Kompetenz immer wieder zurückkommen. Ein System verdient Vertrauen, wenn die Menschen in seinem Umfeld seine Quellen, Grenzen, Unsicherheiten und Autorität benennen können. Das ist keine Behauptung, dass eine Bibliothek oder ein Produkt Arbeitsbeziehungen regeln kann. Es ist eine Designposition: Belege sollten in der Nähe der Entscheidung bleiben, und die Menschen, die für die Entscheidung verantwortlich sind, sollten genug Struktur haben, um sie anzufechten. Die größere Arbeit gehört den Arbeitgebern, den Beschäftigten, den Vertretungen, den Regulierungsbehörden und der Öffentlichkeit.

Der neue Job ist eine kollektive Entscheidung

Automatisierung verändert die Arbeit, bevor sie das Organigramm verändert. Sie verschiebt Aufmerksamkeit, Ermessensspielraum und Risiko. Sie schafft Wartungsarbeit, Prüfarbeit, Schulungsarbeit und die Arbeit, ein System Menschen zu erklären, die es nicht gewählt haben. Sie kann einen Job verbessern, oder sie kann den Job zu einem schnelleren Weg durch einen engeren Korridor machen. Der Unterschied liegt nicht allein im Modell verborgen. Er entsteht in den Entscheidungen rund um das Modell.

Die Menschen, die den neuen Job bekommen, sollten nicht erst ausgewählt werden, nachdem die alten Aufgaben entfernt wurden. Sie sollten daran beteiligt sein, zu entscheiden, was die neue Arbeit ist. Sie sollten Zeit zum Lernen haben, die Befugnis zu hinterfragen, Schutz, wenn sie das tun, und einen Anteil an der Fähigkeit, die die Veränderung schafft. Die Menschen, die durch die Kennzahlen repräsentiert werden, sollten prüfen können, was die Kennzahlen bedeuten. Die Menschen, die die Folgen tragen, sollten ein System stoppen können, das nicht mehr sicher oder fair ist.

Ein guter Übergang hinterlässt mehr als ein funktionierendes Werkzeug. Er hinterlässt eine klarere Aufgabenkarte, stärkere Fähigkeiten, einen Weg für Widerspruch, eine Aufzeichnung dessen, was sich geändert hat, und eine Institution, die weiß, wer verantwortlich ist. Das sind bescheidene Errungenschaften im Vergleich zu den Versprechen einer Produktdemonstration. Es sind aber auch die Dinge, die verhindern, dass ein Arbeitsplatz zu einem Ort wird, an dem Software Entscheidungen trifft und alle anderen die Alibis liefern.

Stellen Sie also früh die praktische Frage. Wenn diese Aufgabe verlagert wird, welche Arbeit entsteht? Wer wird sie machen? Welche Befugnisse werden sie haben? Welche Schulung macht diese Befugnisse real? Wer kann die Regelung anfechten? Wohin fließt die eingesparte Zeit? Wenn die Organisation das nicht beantworten kann, ist sie nicht bereit, die Aufgabe zu automatisieren. Sie ist bereit zu hoffen, dass sich der Job irgendwie von selbst regelt. Jobs sind selten so rücksichtsvoll.

Quellen