High Performer auf Knopfdruck? Nachhaltiges Talentmanagement in Zeiten generativer KI

“ChatGPT übernimmt Aufgaben, die wir früher an Junior*innen delegiert haben.” Solche und ähnliche Aussagen hören wir im Kontext generativer Künstlicher Intelligenz (KI) und Arbeit häufig. Was nach Effizienz klingt, hätte jedoch unbeabsichtigte Folgen: Genau durch diese Tätigkeiten bauen Nachwuchskräfte das Fachwissen auf, das sie später benötigen, um KI überhaupt sinnvoll einsetzen zu können. Wenn Einstiegstätigkeiten zunehmend an KI delegiert würden, ohne Auswirkungen auf das Talentmanagement mitzudenken, droht langfristig die Talent Pipeline zu versiegen. Dieser Beitrag diskutiert, welche Rolle Fachwissen für eine effektive KI-Nutzung spielt und wie Unternehmen generative KI so einsetzen können, dass sie ihre Talent Pipeline stärkt statt gefährdet.

Seit generative KI-Tools wie ChatGPT und Copilot zunehmend in vielen Bürojobs eingesetzt werden, stehen häufig die Auswirkungen auf Berufseinsteiger*innen im Fokus von Diskussionen über KI in der Arbeitswelt: etwa wie Berufseinsteiger*innen ihre Arbeitsweise mit generativer KI verändern oder mit der Ungewissheit der Technologie umgehen (Kellogg et al., 2025; Mayer et al., 2025). Denn obwohl die Bewertung, für welche Aufgaben KI besonders nützlich ist und qualitativ bessere Ergebnissen erzielt, komplex ist (Dell’Acqua et al., 2026), wird sie von Beschäftigten oft vor allem als Unterstützung für repetitive, wenig komplexe Tätigkeiten wahrgenommen; eben solche Tätigkeiten, die in der Vergangenheit häufig Berufseinsteiger*innen übernommen haben. 

Es ist also wenig überraschend, dass bei den Spekulationen darüber, welche Jobs das Management dank generativer KI einsparen könne, die Antwort derzeit häufig “Einstiegsjobs” lautet. Während KI eine bequeme Erklärung für einen Wegfall von Einstiegsjobs bietet, sind die Ursachen jedoch häufig deutlich komplexer. So stellen Unternehmen beispielsweise in wirtschaftlich schwierigen Zeiten weniger ein, statt Beschäftigte zu entlassen – und so spüren Berufseinsteiger*innen die Folgen zuerst.

Solche und ähnliche Zusammenhänge erforschen wir in dem Forschungsprojekt Generative KI in der Arbeitswelt (GENKIA). Konkret untersuchen wir, wie Beschäftigte den Einsatz generativer KI erleben. In Interviews mit Praktiker*innen aus unterschiedlichen Berufsfeldern begegnen uns dabei immer wieder Spekulationen darüber, wie generative KI den Berufseinstieg zukünftig verändern könnte.

Nachwuchskräfte fallen nicht vom Himmel

Eine aufschlussreiche Perspektive auf diese Entwicklung bietet das Talentmanagement. Talentmanagement ist ein Teilbereich des Human Resource Managements, der sich damit beschäftigt, wie Unternehmen kritische Positionen langfristig mit geeigneten Beschäftigten besetzen können. 

Hierzu zählen neben der Akquise von Talenten auch deren Entwicklung, Leistungsbeurteilungen und die Nachfolgeplanung. Ein zentraler Bestandteil ist dabei die Nachwuchsförderung. Im Fokus stehen dabei besonders jene Beschäftigte, die sich durch überdurchschnittliche Leistung auszeichnen. Diese sogenannten ‘High Performers’ oder ‘Star Employees’ sind zudem sichtbarer, vernetzter und werden häufiger für Führungspositionen in Betracht gezogen (Call et al., 2025). Talentmanagement hat daher unter anderem zum Ziel, genau diese Personen frühzeitig zu identifizieren, gezielt zu fördern und langfristig ans Unternehmen zu binden. Doch High Performers fallen nicht vom Himmel. Sie sind das Ergebnis einer funktionierenden Talent Pipeline, die mit dem Berufseinstieg beginnt.

Wie erwerben Nachwuchskräfte Fachwissen?

Berufseinsteiger*innen übernehmen zunächst klar umrissene, vergleichsweise einfache Aufgaben und erwerben dabei schrittweise das Fachwissen und die Erfahrung, die sie für komplexere Tätigkeiten qualifizieren. Mit der Zeit wachsen sie in anspruchsvollere Rollen hinein, übernehmen Verantwortung und geben ihr Wissen an weniger erfahrene Beschäftigte weiter. Damit stellen Unternehmen sicher, dass kritische Positionen langfristig besetzt werden können, auch wenn erfahrene Beschäftigte das Unternehmen verlassen oder in Rente gehen. 

Der entscheidende Punkt dabei ist, dass geeignete Nachwuchskräfte mit fundierter Praxiserfahrung nicht per Knopfdruck entstehen. Auch High Performers entwickeln ihr Fachwissen und Urteilsvermögen oft gerade durch die vermeintlich einfacheren Aufgaben der ersten Berufsjahre. Zu der Frage, ob und inwieweit tatsächlich Einstiegsjobs aufgrund von generativer KI abgebaut werden könnten, gibt es unterschiedliche Befunde – zunehmend deuten sie jedoch darauf hin, dass vor allem wirtschaftliche Faktoren die Verfügbarkeit von Einstiegsjobs beeinflussen. Einige Beschäftigte in unseren Interviews teilen dennoch die Einschätzung, dass generative KI sie vor allem bei genau jenen Tätigkeiten entlastet, die typischerweise Berufsanfänger*innen übernehmen. Fallen diese weg, ohne dass dies bei der Ausbildung von Nachwuchskräften berücksichtigt wird, fehlt der qualifizierte Nachwuchs von morgen. 

Fachwissen ist zugleich eine der Voraussetzungen, um generative KI sinnvoll einsetzen zu können. Hier stellt sich eine weitere Frage, die für Unternehmen und Nachwuchskräfte gleichermaßen relevant ist: Wer profitiert überhaupt von generativer KI, und unter welchen Bedingungen?

Beschäftigte profitieren unterschiedlich von KI

Dazu, welche Beschäftigten in Unternehmen besonders stark von der Nutzung von KI profitieren, gibt es unterschiedliche Befunde. Eine Untersuchung der Nutzung von Chatbots im Kundendienst zeigte zum Beispiel, dass weniger erfahrene und geringer qualifizierte Beschäftigte sowohl die Geschwindigkeit als auch die Qualität ihrer Ergebnisse mit Chatbots steigern konnten. Die erfahrensten und hochqualifiziertesten Kundendienstmitarbeiter*innen konnten die Geschwindigkeit hingegen nur leicht steigern und sahen bei der Qualität ihrer Ergebnisse sogar einen leichten Rückgang (Brynjolfsson et al., 2025). In einem Feldexperiment in einer Telemarketing-Firma profitieren dagegen vor allem höher qualifizierte Beschäftigte davon, dass sie in Verkaufsgesprächen mittels KI-Unterstützung die Fragen von Kund*innen kreativer beantworten und somit höhere Umsätze erzielen konnten (Jia et al., 2024). In einem Online-Experiment, bei dem Teilnehmende eine Schreibaufgabe lösen mussten, konnte die Ungleichheit zwischen Teilnehmenden mittels ChatGPT hingegen verringert werden (Noy & Zhang, 2023).

Wiederum andere Forscher argumentieren, dass wir durch die zunehmende Nutzung von generativer KI zukünftig einen KI-spezifischen Matthäus-Effekt sehen werden (Call et al., 2025). Der Matthäus-Effekt besagt, dass Erfolg zu mehr Erfolg führt (“wer hat, dem wird gegeben”). Im Kontext von KI besagt er, dass High Performer einen überproportionalen Nutzen aus KI ziehen können, da sie KI strategisch nutzen und dabei ihr überlegenes Fachwissen nutzen können. 

Was heißt das konkret? Wer bereits umfassendes Fachwissen besitzt, kann KI effektiver nutzen und erzielt dadurch noch bessere Ergebnisse. Leistungsunterschiede könnten also größer werden, nicht kleiner.

Fachwissen als Schlüssel für einen effektiven KI-Einsatz

Auch in unseren eigenen Interviews betonen Praktiker*innen aus dem Personalmanagement, wie zentral Fach- und Erfahrungswissen nach wie vor ist. Gerade in Zeiten generativer KI müssen Beschäftigte über solides Grundlagenwissen verfügen, um KI-generierte Ergebnisse kritisch einordnen zu können.

“Umso wichtiger ist es […], dass die Person, die […] diese KI einsetzt […], die Erfahrungswerte hat, um die ganzen Ergebnisse zu überprüfen,“ erklärte uns ein Personalberater. 

Ein konkretes Beispiel: Nutzt eine Recruiterin KI, um eine Stellenausschreibung zu erstellen, und diese formuliert unrealistische Anforderungen wie 15 Jahre Berufserfahrung für eine Junior-Rolle, erkennt sie dank ihrer Erfahrung sofort, dass solche Anforderungen unrealistisch sind und passende Kandidat*innen abschrecken würden. Wer dieses Erfahrungswissen nicht mitbringt, läuft Gefahr, solche Fehler zu übersehen. Um von generativer KI am Arbeitsplatz wirklich profitieren zu können, brauchen Beschäftigte also nicht nur technische Kompetenzen, sondern vor allem auch fachspezifisches Wissen.

Unbeabsichtigte Folgen: Verstärkte Ungleichheiten?

Und hier liegt eine folgenreiche Ironie: Generative KI soll zunehmend genau jene Aufgaben übernehmen, durch die Nachwuchskräfte bisher das Fachwissen aufgebaut haben, das sie später brauchen, um KI überhaupt sinnvoll einsetzen zu können. Wer kein fundiertes Fachwissen hat, kann KI-Ergebnisse nicht kritisch prüfen oder KI strategisch nutzen. Und wer das nicht kann, fällt gegenüber jenen zurück, die bereits über dieses Wissen verfügen. Denn diese profitieren – laut dem KI-spezifischen Matthäus-Effekt (Call et al., 2025) – noch stärker von KI. Was also kurzfristig wie eine Effizienzsteigerung wirkt, untergräbt langfristig den Aufbau von Fachwissen – und damit die Grundlage, auf der spätere Karriereschritte möglich werden.

Leere Talent-Pipelines als Ergebnis fehlgesteuerter KI-Strategien

Was wären die Konsequenzen, wenn Nachwuchskräfte zukünftig schwieriger notwendiges Fach- und Erfahrungswissen aufbauen könnten? Oder Unternehmen tatsächlich weniger Arbeitsplätze für Berufseinsteiger*innen schaffen sollten, in der Hoffnung, deren Aufgaben mittels KI günstiger erledigen zu können? 

Zwar würden Unternehmen hierdurch möglicherweise kurzfristig Kosten einsparen, langfristig hat es sowohl für die Gesellschaft als auch für Unternehmen weitreichende Konsequenzen. Für junge Menschen bedeutet es wachsende Unsicherheit darüber, welche Bildungs- und Karrierewege künftig noch verlässlich sind. Für Unternehmen bedeutet es, dass ihre Talent-Pipeline zu versiegen droht. Denn wer heute keine Berufseinsteiger*innen ausbildet, hat morgen keine erfahrenen Fachkräfte. Denn Spezialist*innen lassen sich nicht auf Knopfdruck hervorbringen. 

Eine Managerin in der Personalentwicklung beschrieb die veränderten Ausgangsbedingungen für die Ausbildung junger Talente in einem der Interviews unseres GENKIA-Projekts so:

“Das ist […] ein Teufelskreis, weil du ja in jedem Beruf […] immer das Basiswissen brauchst, um dann […] neue Verantwortungsbereiche übernehmen zu können. […] Vermutlich sind es immer noch Absolventen [die zukünftig KI-Ergebnisse prüfen], die aber auf einer anderen Ebene einsteigen oder einfach ein anderes Grundlagenwissen erhalten, als es die Absolventen von heute erhalten.” 

Das Zitat macht deutlich: Es geht nicht nur darum, ob Einstiegsjobs wegfallen sollten, sondern auch darum, wie Unternehmen Talentmanagement neu denken müssen, wenn Einstiegsjobs sich grundlegend verändern.

Ausblick: Langfristige Planung statt kurzfristiger Kosteneinsparungen

Die Nutzung generativer KI muss nicht zwangsläufig Lernprozesse untergraben. Sie kann sie auch fördern. So hat die bereits erwähnte Untersuchung der Nutzung von Chatbots im Kundendienst gezeigt, dass KI-basierte Unterstützung nicht nur die Arbeitsgeschwindigkeit steigern kann, sondern auch Lerneffekte erzeugt, zum Beispiel indem es die Englischkenntnisse der Kundendienstmitarbeiter*innen verbessert hat (Brynjolfsson et al., 2025). Auch durch die Entwicklung personalisierter Schulungen und Entwicklungspfade können generative KI-Tools die Entwicklung von Talenten unterstützen. 

Unternehmen stehen daher vor der Aufgabe, generative KI gezielt so einzusetzen, dass sie Lernen und Entwicklung fördert, ohne langfristige Lücken in Fachwissen und Talent-Pipeline zu erzeugen. Die entscheidende Frage ist also nicht, ob Unternehmen KI einsetzen, sondern wie. Konkret bedeutet das: Wenn KI für repetitive Einstiegstätigkeiten eingesetzt wird, sollte der dadurch gewonnene Freiraum nicht einfach eingespart, sondern genutzt werden, um Berufseinsteiger*innen früher in komplexere Aufgaben einzubinden und ihnen mehr Verantwortung zu übertragen.

Gleichzeitig braucht es gezielte Maßnahmen wie etwa Mentoring-Programme, die die Weitergabe von Fachwissen sicherstellen. Denn greifen Nachwuchskräfte auf ChatGPT und Co. zurück statt erfahrene Kolleg*innen zu fragen, laufen Unternehmen Gefahr, dass zunehmend Fehlinformationen zirkulieren. Zudem stehen Unternehmen, ähnlich wie Bildungseinrichtungen, vor der Herausforderung, sowohl den souveränen Umgang mit KI als auch kritisches Denken ohne KI zu fördern. Anreize dafür können geschaffen werden, indem dies in Leistungsbeurteilungen berücksichtigt wird. Entscheidend ist letztlich, dass Unternehmen langfristig planen und Talentmanagement mitdenken, statt auf kurzfristige Kosteneinsparungen zu setzen.

Referenzen

Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 00(00), 1–54. https://doi.org/10.1093/qje/qjae044

Call, M. L., Jiang, K., & Idso, C. (2025). Star Advantage: Employee Value Creation and Capture in the Age of Artificial Intelligence. Human Resource Management, 65(1), 151–167. https://doi.org/10.1002/hrm.70023

Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838

Jia, N., Luo, X., Fang, Z., & Liao, C. (2024). When and how artificial intelligence augments employee creativity. Academy of Management Journal, 67(1), 1–60. https://doi.org/10.5465/amj.2022.0426

Kellogg, K. C., Lifshitz, H., Randazzo, S., Mollick, E., Dell’Acqua, F., McFowland, E., Candelon, F., & Lakhani, K. R. (2025). Novice risk work: How juniors coaching seniors on emerging technologies such as generative AI can lead to learning failures. Information and Organization, 35(1), 1–21. https://doi.org/10.1016/j.infoandorg.2025.100559

Mayer, A.-S., Baygi, R. M., & Buwalda, R. (2025). Generation AI: Job Crafting by Entry-Level Professionals in the Age of Generative AI. Business & Information Systems Engineering. https://doi.org/10.1007/s12599-025-00959-x

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

Titelbild: Hanna Barakat & Cambridge Diversity Fund / https://betterimagesofai.org / https://creativecommons.org/licenses/by/4.0/