Letzte Woche bat ich Claude, mir ein technisches Angebot für einen Kunden zu schreiben.
Er hat in vierzig Sekunden ein makelloses Dokument produziert. Saubere Architektur, Kostenschätzung über drei Umgebungen, Zeitschiene mit Meilensteinen, Risikoanalyse. Perfekte Formatierung. Professionelle Sprache.
Ich habe alles weggeworfen.
Nicht, weil es falsch war. Es war technisch korrekt — vermutlich besser als das, was ich aus dem Stand geschrieben hätte. Ich habe es weggeworfen, weil dieser Kunde uns drei Monate zuvor in einem Call gesagt hatte, dass sein CTO nach einem fehlgeschlagenen Projekt mit einem ähnlichen Ansatz gefeuert worden sei.
Du findest das in keinem Datensatz. Es steht in keinem Prompt. Es ist eine organisatorische Narbe, die im Gedächtnis derer lebt, die bei diesem Call dabei waren — und sie ändert alles: den Ton des Angebots, die Wahl der Lösung, sogar die Worte, die zu nutzen oder zu meiden sind.
Die KI hatte die richtige Antwort auf die falsche Frage geliefert. Etwas, das sie hervorragend kann.
Die unsichtbare Arbeit
Ich führe ein bewusst kleines Unternehmen. Mein Job ist auf dem Papier, Entscheidungen zu treffen: welches Produkt bauen, für wen, mit welchen Prioritäten, bis wann. Würde ich auf meine Stellenbeschreibung schauen, könnte ein Sprachmodell neunzig Prozent davon erledigen. Vielleicht mehr.
Aber die Stellenbeschreibung ist eine Lüge. Wie alle Stellenbeschreibungen.
Meine eigentliche Arbeit besteht aus Dingen, die in keinem Backlog und keinem Projektdokument stehen. Aus Schweigen während Calls, aus dem Moment, in dem ein Kunde „ja, passt“ sagt mit einem Tonfall, der bedeutet „nein, passt überhaupt nicht, aber ich habe keine Lust zu diskutieren“.
Aus Mittagessen mit einem Kollegen, der seit zwei Wochen schwächelt und beim zweiten Kaffee sagt, dass er privat eine schwere Phase durchmacht.
Aus der Entscheidung um 23 Uhr, auf eine provokante Mail eines Stakeholders nicht zu antworten und auf den nächsten Morgen zu warten, wenn die Worte weniger wiegen.
Nichts davon ist berechenbar. Und ich glaube nicht, dass es nur ein Problem fehlenden Kontexts ist, das sich mit längerem Prompt oder ausgefeilterem RAG lösen ließe.
Es ist eine andere Art von Wissen. Situiert, relational, fast körperlich.
Du weißt, dass ein Meeting schiefgeht, weil du die Spannung im Raum spürst. Du weißt, dass eine Schätzung aufgebläht ist, weil du den kennst, der sie gemacht hat. Du weißt, dass eine Anforderung abzulehnen ist, nicht aus technischen Gründen, sondern weil sie das Produkt in eine Richtung schiebt, aus der man nicht zurückkommt. Und du weißt es, weil du vor drei Projekten mit einem anderen Kunden schon dort warst und die Narben dafür hast.
Die KI arbeitet auf dem, was explizit ist. Mein Handwerk lebt in dem, was implizit ist.
Vier Dinge, die ich nicht delegieren kann
Ich habe eine Übung gemacht, ein wenig aus Neugier, ein wenig aus Furcht: jene Teile meiner Arbeit zu identifizieren, die ein Sprachmodell, so weit fortgeschritten es auch sei, nicht erledigen kann.
Nicht die Teile, die es noch nicht kann. Jene, die es seiner Bauart nach wahrscheinlich nicht kann. Oder zumindest nicht auf dieselbe Weise.
Ich habe vier gefunden.
Das Erste: Menschen lesen
Ich meine nicht, Aufgaben zu verteilen oder Performance Reviews zu machen. Das macht ein Excel — oft besser.
Ich meine den echten Teil. Zu erkennen, dass ein Kollege, der plötzlich schludrige Arbeit liefert, kein Kompetenzproblem hat, sondern ein Motivationsproblem. Und dass dieses Motivationsproblem daher rührt, dass du ihn in den letzten drei Sprints auf Aufgaben gesetzt hast, die er als unter seinem Niveau empfand.
Und dass er es dir nicht gesagt hat, weil er Angst hat, arrogant zu wirken.
Und dass du es weißt, weil du ihn seit vier Jahren kennst und weißt, wie er reagiert, wenn er sich unterschätzt fühlt.
Diese Kausalkette steht nirgendwo. Die Hälfte der Glieder wurde nie verbalisiert. Sie existiert im Raum zwischen zwei Menschen, die lange genug zusammenarbeiten, um sich ohne Worte zu verstehen.
Ein Team zu führen heißt nicht, Ressourcen zu optimieren. Es heißt, die emotionalen Komplexitäten einer Gruppe von Menschen zu navigieren, die mehr Zeit miteinander verbringen als mit ihren Familien.
Und das ohne Handbücher, ohne Metriken, oft ohne dass man es überhaupt merkt.
Das Zweite: verstehen, was ein Kunde wirklich will
Nicht, was er sagt zu wollen. Was er wirklich will. Fast immer zwei verschiedene Dinge.
Ein Kunde, der eine Dokumentenverwaltung verlangt, will oft keine Dokumentenverwaltung. Er will, dass sein Chef aufhört, ihn zu fragen, wo die Dateien sind.
Ein Kunde, der eine Mobile-App verlangt, will dem Vorstand zeigen, dass seine Division innoviert.
Ein Kunde aus der öffentlichen Verwaltung, der eine digitale Plattform ausschreibt, braucht oft etwas viel Einfacheres — aber die Ausschreibung wurde abgeschrieben aus jener einer anderen Kommune mit ganz anderen Bedürfnissen.
Mein Job ist, unter die Anfrage zu graben, bis ich den Bedarf finde. Und der Bedarf ist fast immer politisch, organisatorisch, emotional. Selten technisch.
Du kommst dorthin mit Fragen, die mit Technologie nichts zu tun haben. Wer wird dieses System nutzen? Wer hat entschieden, dass es nötig ist? Was passiert, wenn wir es nicht tun? Wer gewinnt, wer verliert?
Fragen, die eine KI nicht stellen kann, weil sie nicht weiß, ob und wann sie zu stellen sind.
Das beunruhigt mich vielleicht am meisten. Es ist nicht, dass die Maschine schlecht antwortet. Es ist, dass sie gut auf eine Frage antwortet, die so vielleicht niemand hätte stellen dürfen.
Das Dritte: dem Kontext, der nirgendwo steht, Gewicht geben
Jedes Produkt hat eine Geschichte. Nicht die in der Doku, das ist die offizielle Version. Die wahre Geschichte besteht aus akzeptierten Kompromissen, weil das Budget zu Ende war, aus zugefügten Features, um einen Stakeholder zufriedenzustellen, der inzwischen die Rolle gewechselt hat, aus falschen Entscheidungen, die so mit den Prozessen des Kunden verflochten sind, dass sie zu entfernen mehr kosten würde, als mit ihnen zu leben.
Wenn ich entscheiden muss, ob das nächste Release ein Modul neu schreiben oder eine Funktion ergänzen soll, kann ich nicht ein Modell fragen.
Denn die richtige Antwort hängt davon ab, wer dieses Modul nutzt, wie er es nutzt, was im Projekt los war, als es gebaut wurde, wie die Beziehung zum Kunden aktuell ist und ob dieser Kunde in drei Monaten noch das Budget für Phase zwei haben wird.
Eine KI kann dir die ideale Roadmap im Absoluten sagen.
Ein Product Leader weiß, welche Roadmap für dieses Produkt, mit diesem Team, für diesen Kunden, in diesem Moment die richtige ist.
Der Unterschied ist der zwischen einem Kochbuch und einem Koch.
Das Vierte: Nein sagen
Das Wichtigste und Untechnischste von allen.
Nein sagen zu einem Feature, das vernünftig wirkt, aber das Produkt in eine Sackgasse führt.
Nein sagen zu einem Kunden, der eine unmögliche Timeline will, im Wissen, dass du die Ausschreibung verlieren wirst.
Nein sagen zu einem Stakeholder, der für ein faszinierendes Pivot drängt, das den über zwei Jahre aufgebauten Wert zerstören würde.
Nein zu dir selbst sagen, wenn die Begeisterung für eine neue Idee dir den Blick verstellt, dass deine Nutzerinnen etwas Funktionierendes brauchen, kein Innovatives.
Das Nein ist ein Urteilsakt, der Mut, Kontext und Verantwortung verlangt.
Die KI sagt nie nein. Kann sie sich nicht leisten. Ihr Design ist auf Nützlichkeit optimiert, auf Antwort, auf Lösung.
Aber manchmal ist das Nützlichste anzuhalten. Manchmal ist die beste Antwort: „Wir machen es nicht.“
Und kein Prompt der Welt kann einem Modell beibringen, wann dieser Moment gekommen ist — denn ihn zu erkennen verlangt etwas, das in keinem Trainingssatz steht: das Gewicht der Konsequenzen auf den eigenen Schultern.
Das Verstärker-Paradox
Klar gesagt: Ich behaupte nicht, dass die KI nutzlos sei. Das wäre unredlich und dumm. Ich nutze sie täglich. Mein Team nutzt sie zum Produzieren, Dokumentieren, Analysieren. Wir sparen Stunden, Tage, Wochen, Monate. Die Qualität der Lieferungen ist gestiegen. Ich würde nicht zurückwollen.
Aber es gibt ein Paradox, das mich beschäftigt.
Je mehr die KI die produzierbaren Teile des Handwerks übernimmt — Dokumente, Analysen, Specs, Code —, desto mehr konzentriert sich der Wert in den unwägbaren: Entscheidungen, Beziehungen, Neins.
Und genau diese Teile lernt man nicht durch Doku-Lesen oder Kurse. Man lernt sie, indem man Fehler macht, beobachtet und jahrelang in einem Raum mit anderen Menschen sitzt.
Mein Risiko-Verdacht: Eine Generation von Profis wächst heran, die die ausführbaren Teile delegiert, ohne je die Phase zu durchlaufen, in der diese Teile einem das Handwerk lehren.
Ein falsches Angebot zu schreiben, eine Demo, die vor dem Kunden auseinanderfällt, einen Vertrag zu verlieren, weil du eine Anforderung unterschätzt hast — das ist nicht nur formatives Leiden. Es ist der Prozess, durch den du die Intuition entwickelst, die dir später erlaubt, die Entscheidungen zu treffen, die die KI nicht treffen kann.
Wenn du diese Etappe überspringst, kommst du an den Verhandlungstisch, ohne je das Gewicht einer falschen Entscheidung gespürt zu haben. Und dort kann die KI dir nicht helfen.
Das Handwerk, das bleibt
Mein Handwerk verändert sich. Es verschwindet nicht, es ändert die Form.
Die Zeit, die ich mit dem Produzieren von Lieferungen verbrachte, verbringe ich damit zu überlegen, was diese Lieferungen sagen sollten.
Die Zeit, die ich mit dem Suchen nach Informationen verbrachte, verbringe ich damit zu entscheiden, was ich damit anfange.
Die Zeit, die ich mit den repetitiven Teilen verbrachte, verbringe ich damit, mit Menschen zu reden — Kolleginnen, Kunden, Nutzer.
Es ist eine Bewegung nach oben in der Wertschöpfungskette und in mancher Hinsicht eine Befreiung.
Aber sie bringt eine neue Verantwortung — vielleicht eine alte, mit anderen Augen gesehen: Geschwindigkeit nicht mit Kompetenz zu verwechseln.
Dass ein Werkzeug mir hilft, mehr zu produzieren, heißt nicht, dass ich mehr weiß. Es heißt, dass ich mehr Zeit habe, das Wenige, das ich weiß, anzuwenden — oder zu entdecken, was ich nicht weiß, wenn ich ehrlich zu mir bin.
Die KI weiß, was geschrieben wurde.
Mein Handwerk besteht darin, das zu wissen, was nicht geschrieben wurde — und oft das, was nicht geschrieben werden kann.
Solange das so bleibt, und ich vermute, das bleibt es lange, bleibt das Handwerk. Es ändert Form, Rhythmus, Werkzeuge.
Aber es bleibt.
Was die KI von meinem Handwerk nicht weiß, ist im Grunde das, was es zu einem Handwerk macht und nicht zu einem Algorithmus.
Was du mitnimmst
Tazites Wissen (Beziehungen, Telefonate, Randbemerkungen) hinterlässt keine schriftliche Spur — und ist deshalb für ein LLM unverdaulich.
Ein erfahrener Berater hält gleichzeitig Auftrag, reales Problem, interne Politik, Geschichte der Beziehung zusammen: strategische Synthese, nicht automatisierbar.
Die KI beschleunigt das formale Schreiben, nicht die Entscheidung, was geschrieben und was verschwiegen wird.
Beratung als industrielle Pipeline zu skalieren produziert technisch korrekte und politisch blinde Lieferungen — der Kunde zahlt zweimal.
Fragen & Antworten
Was ist das tazite Wissen, das die KI nicht reproduzieren kann?
Wissen, das nirgendwo geschrieben steht, weil es aus Jahren von Beziehungen, Fehlern, spezifischen Gesprächen kommt. Ein Angebot für einen Kunden zu schreiben verlangt zu wissen, dass der echte Entscheider nicht der Unterzeichner ist, sondern der Schatten-IT-Manager, dass er sich beim letzten Mal an einem bestimmten Satz gestoßen hat, dass das Unternehmen einen heiklen Moment durchläuft, der nicht im Briefing steht. Kein LLM hat Zugriff darauf — und ohne ist das perfekte Angebot dort falsch, wo es zählt.
Aber kann ein Modell, das die ganze Kontakthistorie liest, das nicht erfassen?
Theoretisch ja. Praktisch nein — denn tazites Wissen ist nicht in den Dokumenten, sondern im Gedächtnis der Personen. Der Anruf um 19 Uhr, die Randbemerkung im Meeting, das „aber schreib es nicht per Mail“ — diese Informationen hinterlassen keine Schriftspur, gerade weil sie wichtig sind. Einem LLM nur das Geschriebene anzuvertrauen heißt, mit einem kleinen Bruchteil dessen zu arbeiten, was zählt.
Was tut ein erfahrener Berater, was ein KI-Modell nicht kann?
Gleichzeitig im Kopf halten: das formal geforderte Projekt, das reale Problem des Kunden, dessen interne Politik, die Geschichte der Beziehung, die eigene Lieferfähigkeit, die wirtschaftlichen Zwänge, die Tragfähigkeit über Zeit. Und das Ganze zu einem Angebot synthetisieren, das auf allen Ebenen funktioniert, nicht nur auf der technischen. Die KI hilft beim formalen Schreiben — die strategische Synthese bleibt menschlich.
Lässt sich dieses tazite Wissen explizit machen?
Nur teilweise. Jeder Versuch, es in Dokumente oder ein CRM zu kodifizieren, erfasst die Oberfläche und verliert die Nuance. Deshalb ist seriöse Beratung trotz aller Tools weiterhin ein Geschäft von Menschen, die mit Menschen sprechen. Und deshalb liefern industriell skalierte „Berater“ technisch korrekte und politisch blinde Projekte.
Der Autor
