KI im Ingenieurwesen: Warum Fachwissen allein nicht mehr schützt

Was 1,4 Millionen Interaktionen über KI im Ingenieurwesen verraten

Du merkst es längst. KI im Ingenieurwesen ist kein Zukunftsszenario mehr, sie sitzt neben dir. Im FEM-Solver, im Code-Review, in der Auslegungsberechnung, im Testprotokoll. Die Werkzeuge sind da, der Zugang ist gleich. Und trotzdem ziehen manche Kolleginnen und Kollegen sichtbar davon, während andere mit denselben Tools auf der Stelle treten.

Was genau den Unterschied macht, war bisher Spekulation. Seit März 2026 ist es Datenlage.

KPMG LLP hat gemeinsam mit der McCombs School of Business der University of Texas at Austin rund 1,4 Millionen echte KI-Interaktionen am Arbeitsplatz über acht Monate ausgewertet. Keine Umfrage, keine Selbsteinschätzung. Reale Nutzungsdaten. Der Befund ist unangenehm für jeden, der glaubt, KI-Kompetenz sei vor allem eine Frage der technischen Einarbeitung: Die besten KI-Nutzenden sind nicht die häufigsten. Und nicht die technisch versiertesten.

Was sie stattdessen auszeichnet, lässt sich an vier messbaren Signalen ablesen:

1. Häufigkeit der Rückkehr: nicht einmaliges Ausprobieren, sondern regelmäßiges Arbeiten mit dem Modell
2. Hartnäckigkeit beim Verfeinern: Ergebnisse nicht hinnehmen, sondern iterieren, nachfragen, hinterfragen
3. Ambition der Ausgangsfrage: keine Standardabfragen, sondern Probleme, die echtes Nachdenken erfordern
4. Bewusstheit der Werkzeugwahl: gezieltes Auswählen von Modell und Tool je nach Aufgabe

Keines dieser vier Signale hat etwas mit Prompt-Engineering zu tun. Keines erfordert einen Programmierkurs. Alle vier beschreiben eine Haltung: Diese Nutzenden behandeln das Modell als Denkpartner, nicht als Antwortautomat. Sie denken mit dem Modell, statt es nur zu befragen.

Und jetzt die Zahl, die den Rest des Artikels trägt. Von den 2.597 Personen, deren Arbeit über acht Monate erfasst wurde, arbeiteten nur rund fünf Prozent durchgängig auf diesem Niveau.

Fünf Prozent. Alle anderen hatten dieselben Werkzeuge.

Das ist keine Verteilung, die sich mit Zugang erklären lässt. Auch nicht mit Alter, Ausbildung oder Rechenleistung. Alle 2.597 saßen vor derselben Maschine.

In der täglichen Ingenieurarbeit sieht das konkret so aus: Statt eine Auslegungsberechnung ans Modell zu delegieren und das Ergebnis zu übernehmen, hinterfragt die erfahrene Nutzerin die Randbedingungen, lässt sich Alternativszenarien durchrechnen und prüft, ob die ursprüngliche Fragestellung überhaupt die richtige war. Sie nutzt das Modell nicht als schnelleren Taschenrechner, sondern als Sparringspartner für das eigene Urteil.

Für Ingenieurinnen und Ingenieure ist das eine besonders unbequeme Nachricht. Denn das gesamte Ausbildungssystem (Studium, Traineeprogramm, erste Berufsjahre) trainiert das Gegenteil: korrekt ausführen, was vorgegeben ist. Wer in einer FEM-Simulation die Randbedingungen eigenmächtig ändert, bekommt keine Anerkennung, sondern eine Rückfrage. Das Problem ist nicht mangelnde Kompetenz. Es ist eine Sozialisation, die das eigene Urteil systematisch zurückdrängt.

Diese vier Signale bilden einen sich selbst verstärkenden Kreislauf. Wer iteriert, stellt ambitioniertere Fragen. Wer ambitioniertere Fragen stellt, wählt bewusster. Wer bewusster wählt, kehrt häufiger zurück. Der Vorsprung wächst nicht linear. Er beschleunigt sich.

Und genau das bestätigt ein unabhängiger Datensatz. Anthropic hat im März 2026 Millionen von Konversationen ausgewertet und kommt zum gleichen Schluss: Wer früh anfängt, entwickelt Strategien, die den Abstand zu Späteinsteigern weiter vergrößern. Nutzende mit sechs oder mehr Monaten Erfahrung zeigen eine messbar höhere Erfolgsrate. Der Vorsprung ist kein Zufall, er ist Struktur.

Wie weit das reicht, zeigt eine zweite Zahl aus demselben Report: In 49 Prozent aller Berufe wurde bereits mindestens ein Viertel der anfallenden Aufgaben mindestens einmal von einem Modell erledigt. Nicht in ferner Zukunft. Heute. Was bleibt, ist das, was kein Modell von sich aus tut: die richtige Frage stellen.

Das Paradox: Mehr KI, mehr Mensch

Wer jetzt denkt, die erfolgreichsten KI-Nutzenden seien die, die sich hinter dem Bildschirm vergraben: Die Daten zeigen das Gegenteil.

Der Gensler Global Workplace Survey 2026 findet ein Muster, das auf den ersten Blick widersprüchlich wirkt: Wer KI am intensivsten nutzt, verbringt weniger Zeit allein und mehr Zeit mit Lernen und mit Menschen. 70 Prozent der Power User bewerten Weiterbildung als hochkritisch für ihre Arbeitsleistung; bei den späten Adoptierenden sind es nur 44 Prozent. Dieselben Menschen verbringen fast doppelt so viel ihrer Arbeitswoche außerhalb des eigenen Schreibtischs: beim Kunden, im Labor, unterwegs.

Das ist keine Randnotiz. Das ist das direkte Gegenteil der Angsterzählung, KI würde uns isolieren. Die technisch am stärksten getriebenen Menschen sind zugleich die menschlichsten. Gemessen an der Zeit, die sie mit anderen verbringen, an ihrer Lernbereitschaft, an der Qualität ihrer Arbeitsbeziehungen.

Die Erklärung ist weniger überraschend, als sie klingt. Wenn KI Routineaufgaben übernimmt, entsteht Raum. Die Frage ist, was du mit diesem Raum machst. Power User nutzen ihn für das, was Maschinen nicht können: Fragen stellen, die noch niemand gestellt hat. Urteile fällen, die Erfahrung und Kontext brauchen. Mit anderen Menschen denken.

Nimm die Systemingenieurin, die ihre Routineberechnungen an ein Modell delegiert hat. Sie hat jetzt drei Stunden pro Woche frei. Was macht sie damit? Sie geht ins Testlabor und spricht mit dem Versuchsteam. Nicht, weil sie muss, sondern weil sie in den KI-generierten Ergebnissen Muster entdeckt hat, die sie nur im Dialog mit dem Team klären kann. Das Modell hat Daten geliefert. Die richtigen Schlüsse daraus zieht sie, weil sie Kontext hat, den kein Modell besitzt: die Eigenheiten des Prüfstands, die Geschichte früherer Versagensbilder, das Gespür dafür, wann eine Abweichung vom Normwert harmlos ist und wann sie auf ein echtes Problem hindeutet.

Für die Ingenieurkultur hat das Konsequenzen. Die Vorstellung des einsamen Fachexperten, der mit Spezialwissen allein Probleme löst, war immer schon eine Vereinfachung. Aber sie prägt bis heute, wie viele ihren eigenen Wert definieren. Die Daten zeigen: Wer seinen Wert ausschließlich über Fachwissen definiert, wird durch KI nicht bedroht, weil die Maschine besser rechnet, sondern weil er sich selbst auf den Teil reduziert hat, den die Maschine replizieren kann.

Wer KI dagegen als Abkürzung für das Denken benutzt, dem hilft auch die eingesparte Zeit nicht, weil nichts nachkommt, was den frei gewordenen Platz füllt. Die Routine ist weg, aber es kommt kein eigener Beitrag nach. Das ist keine Effizienzfrage. Das ist eine Identitätsfrage.

Mehr Zeit als gedacht, und eine nüchterne Diagnose

Bevor jetzt Panik aufkommt: Die Disruption ist real, aber sie ist keine brechende Welle.

Eine Forschungsgruppe um Neil Thompson am MIT hat Arbeitende tausende reale Aufgaben bewerten lassen, die Sprachmodelle erledigt hatten. Untersucht wurden die 63 Prozent aller Tätigkeiten in der Wirtschaft, die textbasiert sind und damit überhaupt automatisierbar wären. Das Ergebnis ist differenzierter als die Schlagzeilen: Rund 60 Prozent dieser Aufgaben erledigen Modelle auf einem Niveau, das eine Führungskraft als gerade ausreichend durchgehen lässt. Aber nur etwa 26 Prozent auf einem Niveau, das sie als wirklich gut bewerten würde.

Die Disruption kommt graduell. Als steigende Flut, nicht als brechende Welle. Der Sprung zur nahezu fehlerfreien Automatisierung ist noch Jahre entfernt.

Die Lücke zwischen „ausreichend" und „gut" ist genau der Raum, in dem Ingenieurarbeit ihren Wert behält. Ein Modell kann ein Lastenheft zusammenfassen. Aber es erkennt nicht, dass die wichtigste Anforderung zwischen den Zeilen steht. Es kann eine Toleranzanalyse berechnen, aber es weiß nicht, dass die Fertigung seit drei Monaten ein Werkzeugproblem hat, das diese Toleranzen praktisch unerreichbar macht. Das Modell liefert die Antwort, die fast reicht: schnell, konsistent, formatiert. Was fehlt, ist die Einordnung und die Gewichtung. Und genau das ist der Anteil, für den Organisationen Ingenieurinnen und Ingenieure bezahlen. Wer ihn nicht aktiv einbringt, macht sich selbst zu dem, was fast reicht.

Für Ingenieurinnen und Ingenieure heißt das: Es bleibt mehr Zeit zur Anpassung, als die Schlagzeilen vermuten lassen. Die Welle kommt, aber sie kommt langsam genug, um dich vorzubereiten. Gleichzeitig zeigen die Daten, dass genau diese Zeit nur denen nützt, die sie aktiv nutzen. Der Vorsprung der frühen, bewussten Nutzenden verstärkt sich mit jedem Monat. Wer heute nicht anfängt, steht morgen nicht am selben Startpunkt, sondern weiter hinten.

Und hier wird es besonders unangenehm. Drei unabhängige Datensätze (1,4 Millionen Arbeitsplatz-Interaktionen bei KPMG, der Gensler-Survey, Anthropics Nutzungsdaten) zeigen denselben Graben. Und er verläuft nicht entlang technischer Kompetenz. Nicht entlang Alter. Nicht entlang Tool-Kenntnis. Nicht entlang der Fähigkeit, den richtigen Prompt zu formulieren.

Er verläuft entlang der Haltung, mit der jemand an die Maschine herantritt.

Ausgerechnet in einem technischen Beruf entscheidet nicht das Technische.

Das klingt paradox. Ist aber genau das, was die Daten zeigen. Dein ganzes Berufsleben lang hast du gelernt, dass Nachrüsten von Fachwissen die Antwort ist. Neue Norm? Einarbeiten. Neues Tool? Kurs machen. Neue Methode? Weiterbildung buchen. Und jetzt sagen drei Studien übereinstimmend: Hier hilft es nicht. Nicht, weil Fachwissen wertlos wäre, sondern weil es nicht mehr der Faktor ist, der dich unterscheidet. Was dich unterscheidet, ist nicht, was du weißt, sondern welche Frage du stellst mit dem, was du weißt.

Zwei Ingenieurinnen, dasselbe Modell, zwei Karrieren

Nimm zwei Ingenieurinnen. Gleiche Ausbildung, gleiche Firma, gleicher KI-Zugang. Beide arbeiten in der Fahrzeugentwicklung, beide nutzen dasselbe Sprachmodell für Auslegungsberechnungen. Nennen wir sie Lena und Miriam.

Lena bekommt die Aufgabe, eine Bauteilauslegung zu prüfen. Sie gibt die Randbedingungen ins Modell, bekommt eine Berechnung zurück, prüft die Plausibilität anhand der Erfahrungswerte, korrigiert einen offensichtlichen Fehler und reicht das Ergebnis weiter. Saubere Arbeit. Effizient. Genau das, was erwartet wird.

Miriam bekommt die gleiche Aufgabe. Aber bevor sie rechnet, fällt ihr auf, dass die Randbedingung selbst fragwürdig ist. Die Lastannahme stammt aus einem früheren Projekt und wurde offenbar unreflektiert übernommen. Sie fragt das Modell nicht nach der Lösung. Sie fragt es, unter welchen Bedingungen die gestellte Aufgabe überhaupt die richtige wäre. Sie ändert den Lastfall, berechnet zwei Varianten, argumentiert gegen den ursprünglichen Ansatz und schlägt eine alternative Auslegung vor, die Material spart und die Lebensdauer erhöht.

Beide haben KI genutzt. Aber Lena hat sie als Rechenmaschine benutzt. Schneller, bequemer, aber prinzipiell ersetzbar. Wer nur das liefert, was das Modell ohnehin liefert, wird zur Zwischenstation, die man einsparen kann. Miriam hat mit dem Modell gedacht. Sie hat etwas eingebracht, das das Modell nicht von sich aus tut: ein eigenes Urteil darüber, ob die gestellte Aufgabe überhaupt die richtige ist.

Der Unterschied ist weder Talent noch Intelligenz. Es ist Gewohnheit. Miriam hat irgendwann angefangen, in jeder Aufgabe nach der dahinterliegenden Annahme zu suchen. Nicht weil ihr das jemand beigebracht hat, sondern weil sie es nicht aushielt, Dinge ungeprüft zu übernehmen. Diese Art zu arbeiten erzeugt Reibung. Sie stellt Selbstverständliches infrage, verlangsamt Prozesse, macht Meetings länger. Aber genau diese Reibung erzeugt kein Modell von sich aus. Und genau deshalb ist sie nicht automatisierbar.

Und hier wird es strukturell. Lena kopiert nicht aus Faulheit. Sie kopiert, weil sie in zwanzig Jahren Konzernerfahrung gelernt hat, dass genau das belohnt wird: präzise ausführen, was vorgegeben ist. Keine Extraschleifen, keine unbequemen Rückfragen, keine eigenmächtigen Abweichungen. Konzernstrukturen haben jahrzehntelang das unauffällige Ausführen belohnt. Wer sein ganzes Berufsleben darauf ausgerichtet hat, die geliehene Fachstimme fehlerfrei zu performen, hat keinen Grund, plötzlich die eigene aufzusetzen.

Genau das ist die Persona Gap: die Differenz zwischen dem, was du im Job zeigst, und dem, was du eigentlich denkst, kannst und willst. Je größer diese Lücke, desto leichter lässt sich deine berufliche Rolle automatisieren. Denn eine Rolle kann jeder spielen, auch eine Maschine. Je kleiner die Lücke, desto mehr bringst du etwas Eigenes ein: eine eigene Frage, einen eigenen Anspruch, ein eigenes Urteil.

Das ist keine Schuldzuweisung an Lena. Es ist eine Strukturdiagnose. Und sie erklärt, warum die KPMG-Studie Haltungssignale findet und keine Technik-Skills: Iteration setzt voraus, dass du mit dem ersten Ergebnis unzufrieden bist. Weil du eine eigene Vorstellung davon hast, was gut genug wäre. Ambition setzt voraus, dass du die Standardfrage als unzureichend erkennst. Beides erfordert, dass du etwas Eigenes einbringst. Und wer zwanzig Jahre lang gelernt hat, das Eigene im Job zurückzuhalten, kann es nicht über Nacht hervorholen. Aber den blinden Fleck zu kennen, das ist der erste Schritt.

Wenn du herausfinden willst, wie weit dein aktueller Arbeitsalltag von deinem eigentlichen Potenzial entfernt ist: Der 5-Minuten-Check zeigt dir, wo du stehst.

Der Hebel, der kein Tool-Tutorial ist

Die Verschiebung, die gerade im Ingenieurwesen stattfindet, ist nicht „KI ersetzt Ingenieure". Sie ist subtiler und deshalb schwerer zu greifen.

Was sich verändert, ist die Währung. Bisher wurde bezahlt für Wissen, Sorgfalt und korrekte Ausführung. Dafür hast du studiert, dich spezialisiert, Erfahrung aufgebaut. Und all das ist nach wie vor nötig, aber es reicht nicht mehr als Differenzierung. Wissen kann das Modell abrufen. Sorgfältig berechnen kann es auch. Korrekt ausführen erst recht. Die Frage, welche Anteile eines Berufs KI nicht ersetzen kann, führt immer zur selben Antwort: die Anteile, die ein eigenes Urteil verlangen.

Die neue Währung ist: Welche Frage stellst du? Und welches Urteil fällst du über die Antwort?

Beides kommt aus der Person, nicht aus der Qualifikation. Die Fähigkeit, eine Aufgabe zu hinterfragen statt sie zu optimieren, ist kein Skill, den man in einem Workshop lernt. Sie entsteht aus einem Bewusstsein dafür, was du jenseits deiner Rollenbeschreibung kannst, willst und denkst. Aus deiner Kernpersönlichkeit, nicht aus deinem Lebenslauf.

Drei konkrete Fragen helfen dir, den Abstand zwischen Rolle und Person zu messen:

1. Hast du in der letzten Woche eine Aufgabenstellung hinterfragt, oder nur Aufgaben abgearbeitet? Wenn du dich nicht erinnern kannst, wann du zuletzt eine Vorgabe korrigiert statt umgesetzt hast, arbeitet dein KI-Tool wahrscheinlich effizienter als du.

2. Gibt es eine fachliche Überzeugung, die du vertrittst, obwohl dein Umfeld sie nicht teilt? Eigenes Urteil zeigt sich nicht im Konsens, sondern in der begründeten Abweichung. Wer immer mit der Mehrheit liegt, hat vielleicht gar kein eigenes Urteil, sondern nur ein gutes Gespür für die Erwartung.

3. Wenn morgen ein KI-Modell deine letzten zehn Arbeitsergebnisse replizieren müsste, bei wie vielen würde es scheitern? Nicht an der Berechnung, nicht am Format, sondern am Urteil dahinter. Bei den meisten ist die ehrliche Antwort ernüchternder, als sie sich eingestehen wollen.

Vielleicht denkst du jetzt: Natürlich hinterfrage ich Aufgaben. Natürlich habe ich eigene Überzeugungen. Aber die ehrliche Antwort verlangt einen Blick auf die letzten Wochen, nicht auf das Selbstbild. Was hast du konkret anders gemacht als das, was das Modell von sich aus vorgeschlagen hätte? Nicht anders formuliert, nicht in anderem Tempo, sondern inhaltlich anders bewertet?

Diese drei Fragen sind kein Persönlichkeitstest. Sie sind ein Maßband für die Persona Gap. Und sie zeigen in der Regel zuverlässig, wie weit jemand von dem entfernt arbeitet, was nur er oder sie einbringen kann. Wer bei allen drei Fragen ehrlich antworten muss, dass das Modell es genauso gut könnte, der hat keine Kompetenzlücke. Der hat eine Identitätslücke.

Der erste konkrete Schritt ist deshalb nicht ein weiterer KI-Kurs. Das ständige Nachrüsten ohne klare Richtung macht müde, nicht besser. Der erste Schritt ist unbequemer: Wissen, wo dein eigener unverwechselbarer Anteil überhaupt liegt. Und wie weit du gerade davon entfernt arbeitest.

Drei Datensätze mit Millionen von Beobachtungen sagen übereinstimmend: Der Unterschied zwischen Ingenieurinnen und Ingenieuren, die durch KI wachsen, und denen, die dabei ausgehöhlt werden, ist keine Wissenslücke. Es ist eine Identitätslücke. Die gute Nachricht: Man kann sie messen. Und man kann sie schließen, wenn man weiß, wo sie ist. Der Weg dorthin beginnt nicht mit einem neuen Tool. Er beginnt mit einer ehrlichen Bestandsaufnahme.

Wenn du in fünf Minuten herausfinden willst, wo dein eigener unverwechselbarer Anteil liegt und wie groß die Lücke zwischen Rolle und Person in deinem Berufsalltag ist: Der kostenlose 5-Minuten-Check gibt dir eine erste Antwort.

Bleibe bewusst. Folge der Freude.