Die IT-Branche hat eine Position, die nur wenige andere Branchen haben: Die Arbeit, die hier geleistet wird, besteht zu einem großen Teil aus Aufgaben, die mit Text, Code und strukturierten Daten zu tun haben. Das ist genau die Art von Arbeit, auf die Sprachmodelle und KI-Assistenten am meisten trainiert sind. Während in anderen Branchen KI zunächst an den Rändern der Arbeit ansetzt, liegt in der IT ein Teil der Kernaktivität bereits nahe an dem, was diese Systeme gut können.
Die Stunden in einer IT-Organisation verteilen sich grob auf mehrere Blöcke: Softwareentwicklung und -wartung, funktionale und technische Verwaltung, Servicedesk und Ticketbearbeitung, Testen und Qualitätskontrolle, Dokumentation, und projektbezogene Arbeit wie Planung und Berichterstattung. Jeder dieser Blöcke hat ein eigenes Verhältnis zwischen Aufgaben, die sich gut automatisieren lassen, und Aufgaben, die dafür bislang nicht in Frage kommen.
Innerhalb der Softwareentwicklung ist das Generieren, Umstrukturieren und Dokumentieren von Code eine Aufgabe, bei der KI bereits einen wesentlichen Teil der Arbeit selbstständig erledigt. Standardfunktionen, Boilerplate-Code, das Umsetzen von Spezifikationen in erste Versionen von Skripten: Dies ist Arbeit, bei der ein Entwickler zunehmend einen Vorschlag von KI beurteilt, anstatt etwas von Grund auf zu schreiben. Beim Servicedesk gilt etwas Vergleichbares für die erste Triage von Tickets: Erkennen der Art des Problems, Verknüpfen mit bekannten Lösungen und Weiterleiten an den richtigen nächsten Schritt.
Auch die Testarbeit verschiebt sich. Das Generieren von Testfällen auf Basis von Spezifikationen und das Erkennen von Abweichungen in Testergebnissen ist Aufgabenarbeit, die sich gut übernehmen lässt, sobald die Eingabe ausreichend strukturiert ist. Die Dokumentation von Systemen, APIs und Releases ist ein drittes Gebiet, auf dem KI den ersten Entwurf oft bereits liefert.
Die zweite Kategorie, teilweise automatisch mit menschlicher Aufsicht, ist in der IT breiter als in vielen anderen Branchen, gerade weil die Folgen eines Fehlers in Code oder Infrastruktur sich schnell und mitunter unumkehrbar zeigen. Ein KI-Vorschlag für eine Codeänderung wird von einem Entwickler beurteilt; ein automatisierter Ratschlag zu einer Netzwerkkonfiguration wird kontrolliert, bevor er umgesetzt wird. Dieses Muster von Genehmigen oder Ablehnen mit Begründung findet sich auch bei Deployments, bei Sicherheitsscans und bei der Beurteilung von Architekturentscheidungen wieder.
Wie Finanzsysteme Änderungen nachweisbar machen müssen, zeigt gut, wie diese Kombination aus Automatisierung und Aufsicht in der Praxis funktioniert: Wer wissen möchte, ob ein Auditprotokoll finanzieller Änderungen von KI geführt werden kann, sieht, dass die Erfassung oft automatisch erfolgen kann, während die Beurteilung der Änderung selbst einen Menschen erfordert. Dieses Prinzip gilt ebenso für Infrastrukturänderungen innerhalb einer IT-Umgebung.
Architekturentscheidungen, das Übersetzen vager Kundenwünsche in einen umsetzbaren Entwurf und das Managen der Beziehung zu Auftraggebern sind Aufgaben, die in der dritten Kategorie bleiben. Diese Arbeit erfordert das Kombinieren von technischem Wissen mit organisatorischem Einblick und die Übernahme von Verantwortung für eine Entscheidung, die sich nicht allein aus Daten ergibt. Auch komplexe Problemdiagnosen, bei denen eine Störung mehrere Systeme betrifft und es keinen vergleichbaren Vorfall in der Historie gibt, bleiben vorerst Menschenarbeit.
Ob eine Aufgabe in der IT tatsächlich übernommen wird, hängt nicht nur davon ab, was technisch möglich ist. Es hängt davon ab, wie strukturiert die eigenen Systeme sind, wie viele historische Daten zum Trainieren oder Testen verfügbar sind, und wie die Organisation mit der Aufsicht umgeht, die bei der zweiten Kategorie nötig ist. Eine IT-Abteilung mit gut dokumentiertem Code und klaren Ticketkategorien kann schneller Schritte setzen als eine Abteilung, in der Wissen vor allem in den Köpfen der Mitarbeiter steckt.
Diese Abhängigkeit von der eigenen Situation ist nicht einzigartig für die IT. Wer sich ansieht, welche Arbeit in der Finanzdienstleistung als Erstes für KI in Frage kommt, erkennt ein vergleichbares Muster: strukturierte, regelgebundene Aufgaben verschieben sich eher als Aufgaben, die persönliches Urteilsvermögen erfordern. Selbst in Branchen, die inhaltlich weit von der IT entfernt sind, wie die Analyse von was KI im Bauwesen übernehmen kann zeigt, stellt sich dieselbe Frage: Wie strukturiert ist die Arbeit, und wie viel Aufsicht ist nötig, bevor ein Ergebnis brauchbar ist.
Diese Einteilung in drei Kategorien sagt etwas über Arbeit im Allgemeinen aus, nicht über die spezifischen Aufgaben innerhalb Ihrer eigenen Organisation. Ein IT-Unternehmen, das vor allem Maßarbeit für komplexe Kunden liefert, hat eine andere Verteilung als ein Unternehmen, das überwiegend Verwaltungsaufgaben für einen festen Satz an Systemen ausführt. Dieser Unterschied bestimmt, wie viele der Stunden bereits jetzt in die erste oder zweite Kategorie fallen.
Was ein Arbeitgeber anschließend mit diesem Ergebnis macht, liegt außerhalb dessen, was wir als Arbeitsscan beschreiben. Für Entscheidungen, die Personal betreffen, gelten eigene gesetzliche Anforderungen; diese werden hier nicht behandelt, und dies ist keine Grundlage dafür.
Um zu sehen, wie sich diese Einteilung für Ihr eigenes Unternehmen auswirkt, gibt es den kostenlosen Quickscan: zwölf Fragen, ohne Konto, mit als Ergebnis eine Einschätzung, welcher Teil der Stunden in diesem Profil heute von KI übernommen werden kann. Der vollständige Arbeitsscan, der die Arbeit Aufgabe für Aufgabe auseinandernimmt und anhand von acht Achsen beurteilt, befindet sich noch im Aufbau. Der Quickscan gibt schon jetzt eine erste Richtung, ohne dabei über diese Richtung hinauszugehen.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.