Das Automations-Paradox der Beratungsbranche

Für KMU ist diese Effizenzsteigerung betriebswirtschaftlich zuerst einmal attraktiv. Gleichzeitig entsteht jedoch ein strukturelles Spannungsfeld, weil genau jene Arbeiten verschwinden, die bisher als Lern- und Erfahrungsbasis dienten. Die klassische Kompetenzentwicklung in den einschlägigen Beratungsberufen basiert auf schrittweiser Erfahrungsakkumulation. Durch eigenständige Recherche, strukturiertes Denken und Analyse entsteht mit der Zeit ein belastbares fachliches Urteilsvermögen. Wird dieser Lernprozess durch KI verkürzt, entstehen neue Risiken, die sich bereits heute klar beschreiben lassen.

Die unterschätzte Nebenwirkung von KI: Erosion beruflicher Urteilskraft

a) Automation Bias

Ein zentrales Problem ist der sogenannte Automation-Bias. Darunter versteht man die Tendenz, automatisierten Systemen übermässig zu vertrauen und deren Ergebnisse zu wenig kritisch zu hinterfragen. In der Praxis zeigt sich dies beispielsweise dann, wenn ein KI-Tool eine juristische Argumentation formal überzeugend und sprachlich präzise darstellt, dabei aber eine entscheidende Differenzierung unterschlägt. Ein Berufseinsteiger ohne eigene vertiefte Rechercheerfahrung wird diese Lücke oft nicht erkennen, weil ihm schlicht der Vergleichsmassstab fehlt. Gerade die hohe sprachliche Qualität moderner KI verstärkt diesen Effekt: Fehler sind nicht mehr offensichtlich, sondern argumentativ gut «verpackt».

b) Deskilling

Eng damit verbunden ist das Phänomen des Deskilling beziehungsweise der Skill-Degradation. Während klassisches Deskilling den Verlust bestehender Fähigkeiten beschreibt, zeigt sich in der Beratungsbranche vor allem ein Ausbleiben von Kompetenzaufbau. Wenn ein Rechtspraktikant beispielsweise nie selbst eine umfassende Literatur- und Urteilsrecherche durchführt, sondern primär KI-generierte Zusammenfassungen prüft, fehlt ihm die Erfahrung, wie komplex und selektiv solche Recherchen tatsächlich sind. Er lernt das Ergebnis, aber nicht den Weg dorthin. Damit fehlt langfristig die Fähigkeit, Qualität eigenständig zu erzeugen oder fundiert zu hinterfragen.

c) Automation-Induced Complacency

Dabei handelt es sich um eine schleichende Reduktion der Aufmerksamkeit, die aus der Gewöhnung an zuverlässige Systeme entsteht. In der Beratungspraxis könnte dies bedeuten, dass KI-generierte Entwürfe zunehmend nur noch oberflächlich gelesen werden, weil sie ja grosso modo schon irgendwie stimmen. Einzelne Fehler werden dann nicht mehr systematisch entdeckt, sondern nur noch zufällig. Besonders kritisch ist dies bei seltenen, aber folgenschweren Ausnahmen – genau dort, wo professionelle Beratung ihren höchsten Wert entfalten kann.

d) Human-in-the-Loop

In der KI-Governance wird häufig vom Human-in-the-Loop-Problem gesprochen. Zwar bleibt formal ein Mensch in den Entscheidungsprozess eingebunden, doch diese Kontrollfunktion ist nur dann wirksam, wenn ausreichende Fachkompetenz vorhanden ist. Wenn ein Junior Associate einen KI-generierten Vertragsentwurf prüfen soll, erfüllt er formal die Rolle der Kontrolle. Faktisch aber kann er diese nur dann sinnvoll wahrnehmen, wenn er selbst in der Lage wäre, einen vergleichbaren Entwurf zumindest in Grundzügen eigenständig und ohne Unterstützung von KI-Tools zu erstellen. Andernfalls bleibt die Kontrolle rein oberflächlich und auf formale Aspekte konzentriert.

e) Irony of Automation

Diese ist besonders treffend, beschreibt sie doch das Paradox, dass gerade dann die menschliche Fähigkeit zur Intervention abnimmt, wenn Systeme besonders zuverlässig funktionieren. Übertragen auf die Beratungsbranche bedeutet dies: Je häufiger KI korrekte und brauchbare Ergebnisse liefert, desto weniger Anlass haben Berufseinsteiger, sich intensiv mit der Materie auseinanderzusetzen. Die Lerngelegenheiten verschwinden – genau jene Lerngelegenheiten, die notwendig wären, um im Ausnahmefall Fehler zu erkennen und zu korrigieren.

f) Algorithmic Oversight

Ergänzend lässt sich dieses Spannungsfeld als Algorithmic Oversight Paradox beschreiben. Die Überwachung und Validierung von KI-Ergebnissen ist oft anspruchsvoller als deren ursprüngliche manuelle Erstellung. Auch wenn eine KI innerhalb von Sekunden eine umfassende rechtliche Einschätzung generieren kann, die mehrere Argumentationslinien kombiniert, muss ein Mensch nicht nur die Argumente nachvollziehen, sondern deren Vollständigkeit, Gewichtung und den Kontext anhand des massgeblichen Sachverhalts beurteilen können. Diese Validierung erfordert ein tieferes Verständnis als das schrittweise eigenständige Erarbeiten eines einzelnen Arguments.

Für KMU in der Beratungsbranche bedeutet das, dass die Einführung von KI zwingend mit einer Anpassung des Ausbildungs- und Kompetenzmodells einhergehen sollte.

Vom Recherchieren zum Validieren – der Rollenwandel im Anwaltsalltag

Ein konkretes Beispiel aus der Anwaltsbranche verdeutlicht das Automation-Paradox: In einer wirtschaftsrechtlich ausgerichteten Kanzlei besteht die klassische Einstiegsarbeit junger Rechtsanwälte in der Regel darin, umfangreiche Rechtsprechung zu recherchieren, Entscheide zu vergleichen, Literaturmeinungen auszuwerten und daraus eine strukturierte interne Aktennotiz oder einen Gutachtenentwurf zu verfassen.

Dieser Recherchearbeit ist zwar aufwendig, aber didaktisch zentral: Durch die eigenständige Auseinandersetzung mit unterschiedlichen Argumentationslinien entwickelt sich ein tieferes Verständnis für juristische Methodik und Risikobewertung.

Heute kann eine KI-Anwendung innerhalb kürzester Zeit eine scheinbar überzeugende Analyse liefern. Die junge Berufseinsteigerin wird dadurch von der Rolle der Erarbeitenden in die Rolle der Prüfenden gezwungen. Genau hier greifen die zuvor beschriebenen Mechanismen: Ohne eigene Erfahrung steigt die Anfälligkeit für Automation Bias, während gleichzeitig das Algorithmic Oversight Paradox wirkt – die Kontrolle wird anspruchsvoller als die ursprüngliche Tätigkeit.

Wenn etwa ein KI-System ein wichtiges Präjudiz auslässt, eine Mindermeinung übergewichtet, eine rechtliche Argumentation verkürzt darstellt oder einen vermeintlichen Leading Case falsch interpretiert, ist dies für unerfahrene Rechtsanwälte oft schwer erkennbar. Die sprachliche Qualität der Ausgabe kann darüber hinwegtäuschen, dass die inhaltliche Tiefe nicht ausreicht. Gleichzeitig bleibt die haftungsrechtliche Verantwortung aber vollständig beim beratenden Anwalt.
Das Beispiel zeigt exemplarisch, wie die theoretischen Konzepte in der Praxis zusammenwirken. Und warum die scheinbare Effizienzsteigerung ohne begleitende Massnahmen zu einem langfristigen Qualitätsrisiko werden kann.

Das Problem zur Lösung machen

Die Automatisierung von Einstiegsarbeiten durch KI ist kein vorübergehender Trend, sondern wohl eine grundlegende Transformation der Beratungsbranche. Die damit verbundenen Herausforderungen lassen sich präzise beschreiben: Automation Bias, Deskilling, Complacency-Effekte und das Human-in-the-Loop-Problem führen gemeinsam zu einem strukturellen Qualifikationsrisiko, das sich in der Irony of Automation und im Algorithmic Oversight Paradox zuspitzt.

Für KMU bedeutet dies, dass technologische Einführung und Kompetenzentwicklung untrennbar miteinander verbunden sind. Wer KI ausschliesslich als Effizienzhebel betrachtet, riskiert mittelfristig einen Verlust an fachlicher Tiefe. Wer sie hingegen gezielt in Ausbildungsprozesse integriert, Vergleichs- und Reflexionsmechanismen schafft und Mentoring stärkt, kann die Qualität der Beratung sogar erhöhen.

Genau hier entscheidet sich, welche Beratungsunternehmen auch in einer KI-geprägten Arbeitswelt als vertrauenswürdige und kompetente Partner wahrgenommen werden.