KI ersetzt Junior Entwickler, und damit den Weg zur Erfahrung

Was wirklich verschwindet, wenn KI Junior Entwickler ersetzt

Du sitzt in einem der beiden Stühle, die sichtbar werden, wenn KI Junior Entwickler ersetzt. Entweder bist du am Anfang. Die ersten Jahre im Beruf, KI-Werkzeuge gehören seit Tag eins zur Grundausstattung, du lieferst Ergebnisse, die vorzeigbar sind. Manchmal merkst du, dass du nicht genau erklären könntest, wie sie entstanden sind. Oder du bist die Person, die anlernen soll. Und die Übungsaufgaben, an denen du selbst das Fach gelernt hast, erledigt dein eigener Agenten-Workflow, bevor jemand Neues sie jemals sieht.

Die Schlagzeile „KI ersetzt Junior Entwickler" taucht in jeder zweiten Tech-Kolumne auf. Die meisten Artikel beantworten sie mit Ja oder Nein und liefern eine Zahl dazu. Der Stanford AI Index Report 2026 zeigt für die USA: Bei den 22- bis 25-Jährigen ist die Beschäftigung in den KI-exponiertesten Berufen um rund 16 Prozent gegenüber den am wenigsten exponierten gefallen, firmentyp-kontrolliert, mit einer Ausweitung der Lücke ab Mitte 2024. Die Zahlen sind da. Das überrascht niemanden, der hinschaut.

Die Frage dahinter stellt fast niemand: Wenn die Einstiegsarbeit verschwindet, wo entsteht dann die Erfahrung, aus der Urteilsvermögen wird? Und woran merkst du, ob du gerade welche aufbaust?

Yu und Moon beschreiben in einer qualitativen Interviewstudie von 2026 ein Muster, das sie Absorption nennen. Sie führten vierzehn Interviews mit Berufseinsteigenden und erfahrenen Entwickelnden in Südkorea und analysierten die Gespräche mit Reflexive Thematic Analysis. Was sie fanden, ist kein plötzlicher Jobverlust. Es ist eine Umleitung.

Einstiegsarbeit verschwindet nicht einfach. Sie wird absorbiert, in die Workflows der Erfahrenen, die KI-Werkzeuge nutzen. Der Senior erledigt, was früher der Junior gemacht hätte, weil der Agent ohnehin mitläuft. Das Ergebnis wird nicht schlechter. Die Effizienz steigt sogar. Klingt nach einem reinen Gewinn. Für die Quartalszahlen ist es einer. Aber drei Dinge passieren gleichzeitig, und keines davon taucht in einer Produktivitätskennzahl auf:

Berufseinsteigende verlieren das mühsame Ringen mit dem Problem. Nicht die Aufgabe fehlt. Der Kampf mit ihr fehlt. Das klingt abstrakt, bis du dich an etwas erinnerst, das du wirklich beherrschst. Du hast es nicht verstanden, indem du die richtige Antwort gelesen hast. Du hast es verstanden, weil du dreimal falsch lagst und beim vierten Mal wusstest, warum.

Dazu kommt: Der Effekt reproduziert sich von allein. KI-Nutzung ist schon im Studium so normal, dass niemand sie als Abkürzung wahrnimmt. Es gibt keinen Moment, in dem sich jemand bewusst entscheidet, den Lernweg zu überspringen. Der Weg ist einfach nicht mehr da.

Und dann die Wahrnehmungsasymmetrie. Die Erfahrenen sehen, dass Einstiegsaufgaben wegfallen. Sie können es allein nicht korrigieren. Die Neuen merken nicht, was ihnen entgeht, weil sie den Vergleich nicht haben. Beide Seiten beobachten das Gleiche und sehen etwas Verschiedenes.

In der Praxis sieht Absorption so aus: Eine Architektin bekommt ein neues Teammitglied. Früher hätte sie ihm die Datenbereinigung für das nächste Release übergeben. Die Aufgabe lag nicht über ihrem Niveau, aber er hätte daran gelernt, wie die Datenflüsse zusammenhängen, welche Sonderfälle auftreten und welche Annahmen in der Pipeline stecken. Jetzt erledigt ihr Agent die Bereinigung in zwanzig Minuten. Das Ergebnis ist besser als das, was der Neue in zwei Tagen geliefert hätte. Aber die zwei Tage hätten ihm etwas beigebracht, das kein fertiges Ergebnis ersetzt: ein Gespür dafür, wo die Dinge schiefgehen können.

Absorbiert wird mehr als eine Aufgabenkategorie. Es ist ein Stück des Wegs, auf dem die nächste Generation Erfahrener entsteht.

Fähiger fühlen, weniger besitzen

Die Perspektive der Betroffenen selbst kommt aus einer zweiten qualitativen Studie: Interviews mit dreizehn Berufseinsteigenden und Praktikantinnen und Praktikanten, ebenfalls 2026 veröffentlicht. Und sie zeigt etwas, das auf den ersten Blick widersprüchlich klingt. Es ist auch widersprüchlich.

Die Befragten beschreiben ein Autonomie-Paradox: Sie fühlen sich mit KI-Werkzeugen fähiger, besitzen das Ergebnis aber gleichzeitig weniger. Sie liefern ab. Aber was sie liefern, fühlt sich nicht wie ihres an. Das ist kein Imposter-Syndrom. Es ist eine akkurate Wahrnehmung. Wer den Lösungsweg nicht selbst gegangen ist, kann das Ergebnis nicht im selben Maß besitzen wie jemand, der jede Entscheidung auf dem Weg bewusst getroffen hat.

In der Praxis sieht das so aus: Du präsentierst ein Analyseergebnis. Du kannst jede Folgefrage beantworten, weil dein Werkzeug jede Folgefrage beantworten kann. Aber wenn jemand fragt, warum du dich für diesen Ansatz entschieden hast und nicht für einen anderen, wird es still. Die Antwort wäre nicht schwierig. Aber die Entscheidung hat nie stattgefunden. Es gab keinen Moment, in dem du zwei Wege gesehen und einen gewählt hast.

Dazu kommt ein Befund, der die Korrektur erschwert: Die Abhängigkeit von KI-Werkzeugen wird bei anderen gesehen, bei sich selbst nicht. Dieselben Menschen, die beschreiben, wie andere im Team ohne KI kaum noch arbeiten könnten, sind überzeugt, dass sie selbst die Kontrolle behalten. Das ist kein Zufall und keine Arroganz. Es ist ein bekannter kognitiver Mechanismus, und er macht jedes Problem unsichtbar, das nur sichtbar wird, wenn man ehrlich auf sich selbst schaut.

Was die Befragten letztlich über KI oder Handarbeit entscheiden lässt, ist weder Termindruck noch Schwierigkeit. Es ist, ob sie das Ergebnis prüfen können. Klingt vernünftig. Ist es auch, bis man den Widerspruch sieht.

Die Studie nennt ihn das formative Paradox: Das flache Lernen, das beim Delegieren entsteht, untergräbt genau die Urteilsfähigkeit, die man bräuchte, um zu entscheiden, was man noch delegieren darf. Du nutzt KI dort, wo du das Ergebnis prüfen kannst. Aber ob du es wirklich prüfen kannst, weißt du erst, wenn du es ohne KI versucht hast. Wer das Denken an Werkzeuge abgibt, ohne das vorher kalibriert zu haben, baut auf einem Fundament, das nie getestet wurde.

Die Prüffähigkeit, auf die sich alle verlassen, ist selbst das Produkt einer Erfahrung, die zunehmend fehlt.

Ein Beispiel macht das greifbar: Du baust eine Datenanalyse mit Hilfe eines KI-Agenten. Die Ergebnisse sehen plausibel aus. Du prüfst die Zusammenfassung, die Grafiken, die Kernaussagen. Alles passt. Aber du hast nie selbst erlebt, wie sich ein Methodenfehler in einer Analyse anfühlt. Du weißt nicht, wie falsche Ergebnisse aussehen, die trotzdem plausibel wirken. Deine Prüfung funktioniert nur für Fehler, die du kennst. Und du kennst nur die Fehler, die du selbst gemacht hast.

Warum das jede Branche betrifft

Bis hierher könnte man sagen: Softwareproblem. Spezialfall einer Branche, die zu schnell zu viel automatisiert hat. Diese Einschätzung ist falsch, und ein theoretisches Modell von Caosun und Aral aus dem Jahr 2026 erklärt, warum.

Ihr Modell, The Augmentation Trap, erhebt keine eigenen Daten. Es modelliert eine Dynamik. Unter den Annahmen des Modells ist die Logik bestechend einfach: Der Produktivitätsgewinn kommt sofort. Der Kompetenzverlust kommt langsam. Für jede Steuerung, die kurzfristig optimiert (ob Projektleitung, Quartalsziel oder das eigene Zeitmanagement), ist es rational, KI so einzusetzen, dass die langfristige Leistungsfähigkeit sinkt. Caosun und Aral nennen das die Augmentationsfalle. Das Werkzeug ist nicht das Problem. Produktivität und Lernen liegen auf unterschiedlichen Zeithorizonten, und niemand wird für den längeren bezahlt.

Das Modell leitet eine zweite Konsequenz ab: eine Spaltung. Wer schon viel kann, nutzt KI als Hebel und baut weiter auf. Wer wenig kann, verlernt, weil die Rückkopplung fehlt, die zeigt, wo man wirklich steht. Faulheit hat damit nichts zu tun.

Und hier wird es größer als Software: Dieser Mechanismus hängt nicht an Programmiersprachen oder Git-Repositories. Er hängt an einer einzigen Bedingung, nämlich dass eine Tätigkeit Einstiegsaufgaben kennt, an denen man das Fach lernt. Diese Bedingung ist so allgemein, dass sie fast jeden Wissensberuf trifft.

Jede dieser Aufgaben produziert zwei Dinge gleichzeitig: ein Ergebnis und ein Stück Erfahrung. Wenn KI das Ergebnis liefert, fällt die Erfahrung weg. Strukturell, nicht als Nebeneffekt.

Analysieren lernt man, indem man Modelle baut. Nicht indem man sie liest. Eine Controllerin, die ihre ersten Abweichungsanalysen von Hand gebaut hat, erkennt instinktiv, wenn eine Prognose auf wackligen Annahmen steht. Wer nur die fertige Analyse des Agenten liest, sieht die Zahlen, aber nicht die Bruchstellen dahinter. Konstruieren lernt man, indem man Entwürfe gegen Randbedingungen prüft und feststellt, welche Annahmen nicht tragen. Ein Bauingenieur, der seine ersten Statik-Berechnungen selbst durchgerechnet hat, spürt, wenn eine Dimensionierung knapp wird. Bevor das Modell warnt. Beraten lernt man, indem man Empfehlungen formuliert und beobachtet, ob sie der Wirklichkeit standhalten. Eine Anwältin, die hundert Vertragsklauseln selbst formuliert hat, erkennt das Risiko in einer Klausel, die grammatisch korrekt und inhaltlich verheerend ist. Data Engineering, Laborarbeit, Redaktion: überall dort, wo KI-Agenten die Aufgaben erledigen, an denen Berufseinsteigende früher gelernt haben, greift derselbe Mechanismus. In der Ingenieursbranche ist der Effekt genauso real wie in der Softwareentwicklung.

Die Softwarebranche ist nur die erste, in der es messbar wurde.

Absorbiert wird mehr als Arbeit. Es ist der Weg, auf dem die nächste Generation ihre Urteilsfähigkeit aufbaut.

Und das erzeugt eine Lücke, die von außen unsichtbar ist.

Wenn du wissen willst, ob dein Arbeitsalltag Erfahrung aufbaut oder nur Ergebnisse durchreicht, egal in welcher Branche: Der 5-Minuten-Check zeigt dir, wo du stehst.

Gleicher Werkzeugkasten, unterschiedliche Lücke

Stell dir zwei Personen vor. Beide im dritten Berufsjahr, gleiche Rolle, gleicher Werkzeugkasten. Beide arbeiten mit KI-Agenten, seit sie angefangen haben.

Marco liefert schneller als alle in seinem Team. Er formuliert Aufgaben präzise, prüft die Ergebnisse auf Plausibilität und schickt sie weiter. Seine Vorgesetzte ist begeistert. In Meetings klingt er souverän, er kennt die Begriffe, die Zusammenhänge, die Abkürzungen. Was niemand sieht: Marco prüft auf Plausibilität, weil er es anders nicht prüfen kann. Er hatte nie einen Moment, in dem etwas an ihm allein hing. Keine Entscheidung, bei der er sich zwischen zwei Wegen entscheiden musste und beide selbst verstand. Er wirkt wie jemand, der seine Arbeit beherrscht. Aber er hat nie erfahren, was er selbst entscheiden würde, weil es nie nötig war.

Deniz arbeitet im selben Team. Er ist langsamer. Nicht aus Unvermögen. Er arbeitet an zwei, drei Stellen pro Woche bewusst ohne Werkzeug. Nicht aus Prinzip und nicht aus Misstrauen gegenüber der Technik. Er will testen, ob sein Urteil da trägt, wo er es vermutet. Manchmal bestätigt sich das. Manchmal erkennt er, dass er eine Kompetenz überschätzt hat. Aber Deniz weiß, wo die Grenze verläuft zwischen dem, was er kann, und dem, was sein Agent kann. Sein Output ist kleiner. Sein Verständnis ist kalibriert.

Wann der Unterschied sichtbar wird? Wenn etwas schiefgeht. Ein System fällt aus. Ein Kunde stellt eine Frage, die kein Agent beantworten kann. Ein Ergebnis widerspricht der Intuition der Geschäftsführung. In diesen Momenten greift Deniz auf etwas zurück, das er sich erarbeitet hat: ein Netz aus eigenen Fehlern, eigenen Korrekturen, eigenen Entscheidungen. Marco greift auf sein Werkzeug zurück. Und wenn das Werkzeug keine Antwort hat, hat er auch keine. Der Unterschied zwischen den beiden ist keine Begabung. Kein Fleiß. Kein Charakterzug. Es ist eine Lücke, die bei einem wächst und beim anderen nicht.

Die Persona Gap beschreibt normalerweise die Abweichung zwischen dem, wer jemand ist, und der Rolle, die jemand über Jahre spielt. Du passt dich an, übernimmst Verhaltensweisen, die nicht zu dir gehören, und irgendwann ist die Rolle so weit von dir entfernt, dass die Arbeit dich aushöhlt, statt dich zu stärken. Wer diese Lücke kennt, kann sie schließen.

Hier entsteht die Lücke anders. Niemand verbiegt sich. Eine Erfahrung wurde schlicht nie gemacht, an der sich überhaupt zeigen konnte, wer da arbeitet. Marco performt eine Seniorität, die er nie aufgebaut hat. Die Ergebnisse stimmen, und das reicht, solange niemand fragt, wie sie entstanden sind.

Die Lücke, die dich ersetzbar macht, entsteht nicht, wenn du zu wenig kannst. Sie entsteht, wenn du nie herausgefunden hast, welcher Teil davon du bist.

Das ist keine Anklage. Nicht an die Berufseinsteigenden, die Werkzeuge nutzen, die ihnen gegeben werden. Nicht an die Erfahrenen, deren eigene Agenten-Workflows die Übungsaufgaben erledigen, bevor jemand Neues sie sieht. Beide Gruppen erleben eine Auswahllogik, die niemand nach ihren Kriterien getroffen hat. Marco hat nicht versagt. Er hatte nie die Gelegenheit, es anders zu machen.

Die Frage, die vor dem Werkzeug kommt

Erinnerst du dich an das Kriterium der Befragten aus der Interviewstudie? Ich nutze KI dort, wo ich das Ergebnis prüfen kann. Es klingt nach einer technischen Entscheidung. Ist es nicht. Es ist eine Selbsteinschätzungsfrage. Und Selbsteinschätzung ist genau das, was ohne Erfahrung nicht kalibriert ist.

Wer nicht weiß, welche Motive bei ihm tatsächlich anspringen und welche Kompetenzen er unter Druck abrufen kann, hat kein Kriterium dafür, wo er selbst denken muss und wo er delegieren darf. Die Entscheidung, welche Aufgaben du an KI abgibst und welche du bewusst behältst, setzt voraus, dass du weißt, wo dein Urteil trägt. Und das setzt voraus, dass du weißt, wer du bist, wenn du arbeitest, jenseits der Rolle, die du spielst.

Im LINC-Modell sind das keine abstrakten Begriffe. Es sind 30 Facetten, 9 Motive und 25 Kompetenzen. Zusammen ergeben sie ein Profil, das zeigt, wo deine Stärken tatsächlich liegen, nicht wo du denkst, dass sie liegen, und nicht wo dein letztes Projektfeedback sie verortet hat. Stärken und Schwächen zu erkennen ist hier keine Selbstoptimierung. Es ist die Voraussetzung dafür, ein mächtiges Werkzeug sinnvoll einzusetzen, statt von ihm eingesetzt zu werden.

Für diejenigen am Anfang: Bevor du entscheidest, wo du selbst denkst, musst du wissen, was dich trägt. Wer den Weg über die Einstiegsaufgaben nicht mehr geht, bekommt diese Information nicht mehr von der Arbeit geschenkt. Sie muss gemessen werden.

Drei Fragen helfen als erster Test: Könntest du das Ergebnis, das du gerade abgeliefert hast, einer Kollegin erklären, ohne auf dein Werkzeug zu verweisen? Weißt du, wo du in den letzten vier Wochen eine eigene Entscheidung getroffen hast, bei der du zwischen Alternativen abgewogen hast? Und kannst du benennen, welche deiner Kompetenzen du dabei eingesetzt hast? Wenn du bei allen drei Fragen zögerst, fehlt dir nicht Wissen. Dir fehlt Erfahrung mit dir selbst. Das ist keine Schwäche. Es ist eine Information, und der erste Schritt, deine Laufbahn auf etwas zu bauen, das dir gehört.

Für die Erfahrenen, die anlernen: Dieselbe Messung zeigt dir, welche Aufgaben du nicht an deinen Agenten abgeben darfst, wenn jemand daran lernen soll. Manche Tätigkeiten erzeugen ihren Wert dadurch, dass ein Mensch sie durchlebt, nicht dadurch, dass sie erledigt werden. Die Aufgabe, die dir trivial vorkommt, weil du sie seit Jahren im Schlaf erledigst, ist vielleicht genau die, an der die nächste Person lernt, was kein Modell zeigen kann: wie sich eine gute Entscheidung von einer plausiblen unterscheidet.

Konkret bedeutet das: Bevor du eine Aufgabe an deinen Agenten delegierst, frag dich, ob jemand in deinem Team diese Aufgabe zum Lernen braucht. Wenn ja, gib sie weiter. Mit Begleitung, aber ohne Abkürzung. Das ist keine Wohltat. Es ist eine Investition: Die Zeit, die du dabei verlierst, kauft Kompetenz, die kein Werkzeug ersetzen kann. Wer heute die Übungsaufgaben schützt, baut das Team, das morgen ohne Aufsicht liefert.

Der praktische Schluss ist nicht: weniger KI. Er ist auch nicht: mehr üben. Er ist eine Reihenfolge. Zuerst wissen, was dich ausmacht. Dann entscheiden, was du abgibst. Der kostenlose 5-Minuten-Check zeigt dir, wie ersetzbar deine aktuelle Tätigkeit ist und wie weit sie von dem entfernt liegt, was dir entspricht.

Bleib bewusst. Folge der Freude.