Alle sprechen von Automatisierung durch Agenten. Die relevante Frage ist eine andere: Wie stark wird ein Beruf durch Mensch-Modell-Kollaboration verstärkt? Die Antwort verschiebt die gesamte Debatte.
Mit „Modell" sind große KI-Sprachmodelle gemeint — Systeme wie Claude von Anthropic, ChatGPT von OpenAI oder Gemini von Google. Sie können Sprache verarbeiten, Muster erkennen und im Dialog mitdenken. Das macht sie zum Werkzeug für Wissensarbeit.
Der IAB-Job-Futuromat, die Microsoft-Copilot-Studie, die Schlagzeilen bei Zeit Online — sie alle sortieren Berufe auf einer einzigen Achse: stark automatisierbar bis schwach automatisierbar. Übersetzer oben, Dachdecker unten. Die Botschaft: Wer oben steht, ist bedroht.
Aber warum steht der Übersetzer oben? Weil Sprachmodelle können, was er kann — mit Text arbeiten, Muster erkennen, Bedeutung übertragen. Und genau deshalb kann ein Sprachmodell auch mit dem Übersetzer zusammenarbeiten. Dieselbe Eigenschaft, die den Beruf bedroht, macht ihn zum idealen Kandidaten für Verstärkung.
Die relevante Frage ist nicht: Kann KI diesen Beruf ersetzen? Sondern: Wie stark wird dieser Beruf durch ein leistungsstarkes KI-Modell verstärkt, wenn der Mensch im Loop bleibt?
Die öffentliche Debatte bewegt sich nur auf der X-Achse (Automatisierungspotenzial). Die Y-Achse (Verstärkungspotenzial) fehlt. Und genau sie entscheidet, ob Bedrohung oder Chance: KI als Agent bedeutet drohende Ersetzung. KI als Vibe-Working-Werkzeug bedeutet Verstärkung.
Klicken Sie auf eine Berufsgruppe für eine detaillierte Einordnung.
Übersetzer, Analysten, Programmierer, Redakteure, Berater. Hoch automatisierbar und hoch verstärkbar. Hier entscheidet der Modus: Agent = Ersetzung. Werkzeug = Verstärkung. Hier liegt der Fokus der aktuellen Debatte.
Ärzte, Lehrer, Anwälte, Führungskräfte. Die Kernarbeit hat starke physische oder soziale Anteile — schwerer automatisierbar, aber nicht immun. Gleichzeitig ist die Wissensschicht drumherum massiv verstärkbar. Patienten, Schüler und Mandanten werden zunehmend mit KI vorarbeiten — wer das als Chance begreift, gewinnt.
Sachbearbeiter, Buchhalter, Callcenter-Mitarbeiter. Berufe mit hohem Anteil regelbasierter, repetitiver Aufgaben und geringem Urteilsbedarf. Hier wird agentische KI vermutlich nahezu den ganzen Markt beherrschen — aber es handelt sich entweder um Teilaufgaben in größeren Berufsfeldern oder um einen geringen Teil der Beschäftigten.
Dachdecker, Pflege, Feuerwehr. Physisch, situativ, sozial. Sprachmodelle können hier weder ersetzen noch verstärken. Diese Berufe werden in der aktuellen Debatte oft als KI-robuste Alternative gehandelt — sie sind vom Wandel der Wissensarbeit weitgehend unberührt.
Wenn ein Beruf als „stark automatisierbar" gilt, heißt das im Kern: KI kann die Aufgaben dieses Berufs gut verarbeiten. Und wenn KI die Aufgaben gut verarbeiten kann, kann sie auch gut mit einem Menschen an diesen Aufgaben arbeiten.
Übersetzer, Analysten, Berater, Redakteure, Programmierer — alles Sprachmodell-affine Tätigkeiten. Die Modelle können genau das, was diese Menschen tun: mit Text arbeiten, Muster erkennen, Informationen verdichten. Das macht sie automatisierbar und verstärkbar. Es kommt nur darauf an, ob ein Agent alleine läuft — oder ein Mensch mit dem Modell zusammenarbeitet.
Umgekehrt: Dachdecker, Pfleger, Feuerwehrleute — ihre Arbeit ist physisch, situativ, kontextabhängig. Sprachmodelle können da wenig automatisieren, aber eben auch wenig verstärken. Die Hebelwirkung ist gering in beide Richtungen.
Dieselbe Eigenschaft, die deinen Beruf bedroht, ist deine größte Chance — wenn du das Modell als Werkzeug nutzt, statt darauf zu warten, dass es dich ersetzt.
Die öffentliche Debatte kennt bei „mit KI zusammenarbeiten" vor allem eine Lesart: die defensive. Lern das, damit dein Arbeitgeber dich nicht ersetzt. Pass dich an. Bleib relevant. Aber es gibt eine zweite Lesart — die offensive: Lern das, damit du eigene Wege gehen kannst. Wer als Einzelner mit einem Frontier-Modell Ergebnisse liefern kann, die bisher ganze Teams erforderten, verändert die Machtverhältnisse. Nicht nur der Arbeitnehmer steht unter Anpassungsdruck — auch der Arbeitgeber. Collaborative AI ist kein Überlebensprogramm für Angestellte. Es ist ein Emanzipationsprogramm für Wissensarbeiter.
Die These ist nicht nur logisch plausibel — sie wird durch aktuelle Arbeitsmarktdaten bestätigt.
In Branchen mit hoher KI-Exposition wuchs die Produktivität seit 2022 viermal schneller als in wenig exponierten Branchen.
Beschäftigte mit KI-Kompetenz verdienen durchschnittlich 56% mehr als Vergleichspersonen in derselben Rolle — in jeder analysierten Branche.
Selbst in den am stärksten KI-exponierten Berufen wuchsen die Stellenzahlen zwischen 2019 und 2024 — in jeder analysierten Branche.
Quelle: PwC Global AI Jobs Barometer 2025, basierend auf knapp einer Milliarde Stellenanzeigen von sechs Kontinenten.
Verstärkung ist kein abstraktes Konzept. In jedem dieser Fälle bleibt der Mensch im Zentrum — aber das Zentrum verschiebt sich: vom Ausführen zum Urteilen, vom Produzieren zum Kuratieren, vom Stunden-Verkaufen zum Ergebnis-Liefern.
Der Agent — ob Hermes, OpenClaw, oder ein Zapier-Workflow — ist per Definition ein System, das ohne Menschen läuft. Er automatisiert. Das ist sein Zweck, und für den unteren rechten Quadranten ist das richtig: regelbasierte, repetitive Aufgaben, bei denen kein menschliches Urteil nötig ist. Allerdings lohnt sich auch dort ein Agent nur, wenn die Token-Kosten und der Installationsaufwand tatsächlich günstiger sind als die äquivalente menschliche Arbeitsstunde — und das ist bei vielen Anwendungen gar nicht der Fall.
Aber die meisten Berufe, die als „bedroht" diskutiert werden, sitzen oben rechts — in der Entscheidungszone. Dort braucht es nicht Automatisierung, sondern Augmentierung. Nicht einen Agenten, der alleine arbeitet, sondern ein Werkzeug, das mit einem Menschen zusammen denkt.
Ein aktuelles Beispiel zeigt, wie dünn die Grenze ist: Anthropic, der Hersteller von Claude, hat im Mai 2026 zehn vorgefertigte Agenten-Vorlagen für Banken vorgestellt — darunter Geldwäscheprüfung und Investorenpräsentationen. Beides heißt „Agent". Aber die Geldwäscheprüfung ist regelbasiert und repetitiv — ein echter Automatisierungsfall. Die Investorenpräsentation dagegen erfordert Urteil: Welche Kennzahlen betonen, welche Geschichte erzählen, wie ein Geschäft positionieren. Wenn der Agent das allein macht, ist das Ergebnis bestenfalls Mittelmaß. Wenn ein Banker mit dem Werkzeug arbeitet und sein Urteil einbringt, entsteht Qualität. Gleiches Werkzeug, unterschiedlicher Modus — und der Modus entscheidet über den Wert des Ergebnisses.
Die Industrie hat für beides nur ein Wort: „Agent". Das ist das Problem. Es fehlt ein Begriff für die zweite Variante — für das Werkzeug, das nicht autonom handelt, sondern mit einem Menschen zusammen denkt. Genau diese konzeptionelle Lücke will dieser Essay schließen: Collaborative AI ist der fehlende dritte Begriff.
Das Trilemma bestätigt es aus der anderen Richtung: Bezahlbar, autonom, zuverlässig — wähle zwei. Agenten mit schwachen Modellen sind günstig und autonom, aber unzuverlässig. Agenten mit starken Modellen sind zuverlässig, aber entweder unbezahlbar oder beaufsichtigt. Die dritte Option — stark, beaufsichtigt, im Dialog — ist kein Agent mehr. Es ist ein Werkzeug. Es ist Vibe Working.
Nicht „Human in the Loop". Das ist ein Sicherheitskonzept — der Mensch als Notbremse. Bei Collaborative AI ist der Mensch nicht die Bremse, sondern der Motor.
Nicht Copilot. Der Copilot-Modus ist Generative AI mit besserem Interface — Vorschläge annehmen oder ablehnen, in Echtzeit. Collaborative AI ist ein anderer Zeithorizont: nicht Sekunden, sondern Tage. Nicht Vorschläge, sondern Denkbewegungen.
Nicht einfach „Chat mit mehr Kontext". In einer Collaborative-AI-Session passieren alle drei Modi: Man chattet (Modus 1), das Modell baut agentisch Code oder Dokumente (Modus 2), und über die Session hinweg wächst ein gemeinsamer Denkraum (Modus 3). Modus 3 ist mehr als die Summe: Es kommt die Kontinuität hinzu, das menschliche Urteil, die Richtungsentscheidungen — kumulative Erkenntnisse, die weder Mensch noch Modell allein gehabt hätten.
Ein autonomer Agent, der stundenlang mit einem Frontier-Modell über die Programmierschnittstelle (API) arbeitet, verbraucht Millionen Token. Die Rechnung wird schnell drei- bis vierstellig — pro Aufgabe. Derselbe Mensch, der mit demselben Modell über einen Pro- oder Max-Account arbeitet, zahlt eine monatliche Pauschale.
Dieser Kostenvorteil ist kein vorübergehendes Schnäppchen — er folgt der dauerhaften Operationslogik der Frontier-Anbieter. Anthropic, OpenAI und Google wollen, dass Menschen intensiv mit ihren Modellen arbeiten: Die Nutzung liefert Feedback, verbessert die Modelle, bindet Kunden. Deshalb werden Accounts subventioniert. API-Kunden dagegen bauen Modelle in Produkte ein und zahlen nach Verbrauch — ein anderes Geschäftsmodell mit anderer Preislogik. Dazu kommt: Ein Agent hat keinen Menschen, der den Tokenverbrauch steuert. Er probiert, verwirft, läuft in Schleifen. Ein Mensch im Vibe Working lenkt die Konversation — weniger Verschwendung, mehr Richtung pro Token. Der Effizienzvorteil ist nicht preisgetrieben, sondern architekturbedingt.
Selbst wenn die Account-Preise steigen — von 20 auf 50, 100, 200 Euro im Monat — bleibt die Schere offen. Und mit einem Modell wie Claude Opus 4.6 hat man bereits jetzt einen Standard, mit dem sich dauerhaft arbeiten lässt, selbst wenn stärkere Modelle nachkommen.
Vibe Working ist nicht nur zuverlässiger als der Agent — es ist strukturell günstiger. Wer dauerhaft mit einem Frontier-Modell intellektuell anspruchsvolle Arbeit machen will, ist beim Vibe Working richtig. Wer lieber mit chinesischen Günstigmodellen autonome Agenten betreiben mag, um Kosten zu sparen, kann das natürlich tun — jedoch macht KI erst mit einem Modell wie Claude Opus richtig Freude.
Wenn Sie Ihre Arbeit nicht automatisieren, sondern verstärken wollen — ob als Freelancer, Wissensarbeiter oder Unternehmen — lassen Sie uns reden. Gemeinsam Ihre Wertschöpfung mit einem leistungsstarken KI-Modell im Zentrum neu denken.