Domänen-Experte plus KI:
Vom Auftraggeber zum Operator

Die alte Trennung: Wer entscheidet, wer baut?

Über Jahrzehnte hat die Arbeitsteilung im Unternehmen eine klare Linie gezogen: Auf der einen Seite die Domänen-Experten – Geschäftsführer, Bereichsleiter, Fachreferenten – die wissen, was gebraucht wird. Auf der anderen Seite die Spezialisten – Data Scientists, Entwickler, Texter, Designer – die wissen, wie man es baut.

Diese Trennung war wirtschaftlich vernünftig, solange das Bauen selbst Aufwand hatte. Wer eine Datenanalyse wollte, brauchte jemanden mit SQL- und Statistik-Kenntnis. Wer einen Marketing-Text brauchte, beauftragte einen Texter. Wer ein kleines Tool für die Vertriebsdaten wollte, ging in die IT und wartete auf das nächste Sprint-Planning.

Das Konsequenz dieser Trennung war ebenfalls klar: Die Person mit dem Problemverständnis war nie die Person, die das Problem löste. Dazwischen lag immer ein Briefing, eine Übersetzung, ein Missverständnis – und die Erfahrung aus dem Fach blieb beim Auftraggeber, während die handwerkliche Umsetzung beim Spezialisten lag, der die Branche oft nur oberflächlich kannte.

Was Capability Gap konkret heißt

Der Begriff Capability Gap beschreibt eine bestimmte Lücke: die zwischen dem, was eine Person konzeptuell versteht, und dem, was sie selbst ausführen kann. Ein Bereichsleiter im Maschinenbau weiß, wie eine sinnvolle Ausschuss-Analyse aussehen müsste – welche Variablen relevant sind, welche Schichten zu welchem Effekt führen, wo Datenrauschen anfängt und wo es endet. Aber er hat nie SQL gelernt, nie eine Datenanalyse-Bibliothek benutzt, nie ein statistisches Modell kalibriert. Die Konsequenz war: Er beauftragt jemanden, der genau das kann – und hofft, dass die Übersetzung sauber gelingt.

Augmentation durch KI verändert diese Konstellation grundlegend. Der gleiche Bereichsleiter beschreibt einem KI-Assistenten das Problem in seiner Sprache, und der Assistent liefert das Skript, das Modell, die Visualisierung. Der Bereichsleiter prüft das Ergebnis fachlich, korrigiert, ergänzt, verfeinert. Der Capability Gap schließt sich – aber das Problemverständnis bleibt, wo es war: beim Domänen-Experten.

Warum Domänenwissen schwerer wiegt als Toolkenntnis

Stellen Sie sich zwei Personen vor. Person A: Ein Betriebswirt mit zwanzig Jahren Erfahrung in einer Industriebranche. Hat hunderte Vertriebsgespräche geführt, kennt die Margen, weiß welche Kunden warum zurückspringen, hat über Jahre ein Gespür dafür entwickelt, welche Fragen aus den Zahlen herauslesbar sind und welche nicht. Person B: Ein Data Scientist mit Master-Abschluss und zwei Jahren Berufserfahrung in einem großen Tech-Unternehmen. Beherrscht gängige Datenanalyse- und ML-Bibliotheken, SQL und Python, hat sauber dokumentierte Pipelines gebaut.

In der alten Welt war die Antwort eindeutig: Wer eine Datenanalyse-Pipeline baut, ist Person B. Der Betriebswirt erteilt den Auftrag, beschreibt die Frage, wartet auf die Auswertung. In der neuen Welt baut Person A die Pipeline selbst – mit Hilfe eines KI-Assistenten. Und das Ergebnis ist nicht „ein bisschen schlechter" als das von Person B. Es ist häufig besser.

Weil die schwierige Arbeit in einer Pipeline nicht die Pipeline ist. Die schwierige Arbeit ist die Frage: Was soll die Pipeline beantworten, und welche Daten beantworten sie wirklich? Person A hat zwanzig Jahre dieser Frage gewidmet, ohne sie je formal aufgeschrieben zu haben. Person B kennt die Frage aus Lehrbuchbeispielen. Wenn das Bauen kein Engpass mehr ist, gewinnt die tiefere Frage-Kompetenz.

Das gleiche Muster findet sich in anderen Feldern. Eine erfahrene Personalleiterin schreibt mit KI-Unterstützung Stellenanzeigen, die deutlich besser ziehen als die eines jungen Agentur-Texters – weil sie weiß, welche Anforderungen wirklich entscheidend sind und welche nur „Wunschliste" sind. Ein Maschinenbau-Konstrukteur baut sich ein kleines Auswertungs-Tool für Prüfprotokolle, das eine externe Software nicht abbildet – weil er weiß, welche Toleranzen wirklich kritisch sind.

Drei Felder, in denen das gerade passiert

Die Capability-Verschiebung ist nicht überall gleichmäßig. Aktuell sind drei Felder besonders sichtbar – jeweils mit klaren Mustern, woran man die Verschiebung erkennt.

Datenanalyse: Fachbereiche bauen eigene Pipelines

In Unternehmen mit gewachsener IT-Landschaft passiert gerade das Folgende: Bereichsleiter wollen nicht mehr auf das nächste BI-Sprint warten. Sie ziehen ihre Daten selbst aus dem Data Warehouse, kombinieren sie mit einem KI-Assistenten zu einer Analyse, exportieren das Ergebnis als Diagramm. Die IT bleibt eingebunden – für Zugriff, für Datenqualität, für das Daten-Modell. Aber die eigentliche Analyse wandert in den Fachbereich. Ein erfahrener Controller braucht dafür kein Statistik-Studium – er braucht Datenzugang und einen KI-Assistenten, der die handwerkliche Übersetzung in SQL und Visualisierung übernimmt.

Inhalte und Texte: Vertrieb und Personal werden selbst zum Verfasser

In Vertriebs- und Personal-Abteilungen entstehen Marketing-Inhalte, die früher an Agenturen gegangen wären. Eine Personalleiterin formuliert Stellenanzeigen und Karriere-Texte selbst – mit KI als sprachlichem Werkzeug, aber mit ihrem Wissen, welche Argumente in welcher Branche ziehen. Vertriebs-Chefs schreiben eigene Whitepaper und Pillar-Pages, statt sie brieflich an externe Texter zu geben. Mehr dazu, wie diese Verschiebung Marketing-Inhalte verändert und wie KMU mit eigener Stimme erkennbar bleiben, steht in unserem Beitrag Wenn alle KI nutzen: Eigene Markenstimme im KI-Zeitalter.

Einfache Software und Automationen: Office-Worker bauen ihre eigenen Tools

Vielleicht das stärkste Beispiel: Mitarbeitende, die mit Tabellenkalkulation umgehen können, aber nie Programmieren gelernt haben, bauen sich mit KI kleine Tools für ihren Alltag – Skripte, die wöchentlich Reports zusammenstellen, kleine Web-Apps für die Erfassung im Außendienst, Automationen, die Daten zwischen Systemen austauschen. Das sind keine Enterprise-Lösungen. Aber sie schließen genau die Lücken, die eine zentrale IT-Abteilung wirtschaftlich nie schließen würde, weil die einzelne Pain-Point zu klein ist – kumuliert über das Unternehmen aber erheblich.

Was das für den Mittelstand bedeutet

Mittelständische Unternehmen sind in dieser Verschiebung in einer interessanten Position. Sie haben das tiefe Branchen-Know-how – oft konzentriert in wenigen Personen, die seit Jahrzehnten dabei sind. Sie haben gleichzeitig oft eine schmal besetzte IT- oder Marketing-Spezialisten-Schicht. Die alte Welt war für sie wirtschaftlich anstrengend: Spezialisten waren teuer und schwer zu halten, das eigene Fachwissen versickerte in unausgewerteten Datenbeständen und nie geschriebenen Texten.

Die neue Welt verschiebt das Verhältnis. Wenn ein erfahrener Vertriebschef seine Kundendaten selbst auswerten kann, wenn eine Geschäftsführerin ihre Pressemitteilung selbst formulieren kann ohne ihr fachliches Profil zu verwässern, wenn ein Produktionsleiter sich sein eigenes Auswertungs-Tool baut – dann verschiebt sich das wirtschaftliche Profil des ganzen Unternehmens. Nicht weil die Mitarbeitenden schlauer geworden sind. Sondern weil ihr vorhandenes Wissen endlich operativ wirksam wird.

Konsequenz für die Personalstrategie: Statt einzelne KI-Spezialisten einzustellen, ist die produktivere Investition oft das Befähigen der bestehenden Belegschaft. Eine Geschäftsführerin, die sich zwei Stunden pro Woche mit KI-Werkzeugen auseinandersetzt, ist nach einem Jahr operativ produktiver als ein extern eingekaufter KI-Berater, der die Branche nicht kennt. Wie diese Einführung ablaufen sollte, ohne dass die Belegschaft den Eindruck einer Auslagerung bekommt oder Kunden verstört reagieren, beschreiben wir in KI im Unternehmen einführen, ohne Mitarbeiter zu verlieren oder Kunden zu verärgern.

Wo die Grenze liegt

Das beschriebene Muster hat eine harte Grenze, die in der aktuellen Diskussion häufig untergeht: Augmentation funktioniert nur dort, wo der Mensch das Problem tatsächlich versteht. Ohne Domänen-Verständnis produziert KI plausibel aussehende Inhalte, die fachlich nicht stimmen – und das Schlimme: der Bediener merkt es nicht, weil er das Fach selbst nicht beherrscht.

Konkret: Eine Personalreferentin ohne ML-Kenntnis kann mit KI keine sinnvolle Daten-Pipeline für die Personalplanung bauen – sie kann nicht beurteilen, ob die statistische Aussage haltbar ist. Ein Vertriebsmitarbeiter ohne juristisches Verständnis kann mit KI keine sauberen AGB formulieren – er erkennt die kritischen Stellen nicht. Wer einen Fachfremden mit KI ans Werk lässt in einem Feld, in dem er das konzeptuelle Verständnis nicht hat, bekommt eine schöne Oberfläche und einen inhaltlichen Schaden.

Plus: Es gibt Felder, in denen Spezialisten weiter unverzichtbar bleiben. Sicherheits-kritische Software, regulatorisch sensible Modelle (Medizintechnik, Finanzen, Rechtsbereiche), Forschung an wirklich offenen Fragen – das sind Bereiche, in denen tiefe Methoden-Spezialisierung nicht ersetzbar ist. Wer als Mittelständler in diesen Bereichen unterwegs ist, bleibt auf eingespielte Spezialisten angewiesen – und die Augmentations-Logik gilt dort eher für die Beschleunigung des Alltags, nicht für die Demokratisierung der Aufgaben.

Wie man anfängt

Wer das Muster in seinem Unternehmen sichtbar machen will, braucht keine große KI-Strategie und keinen externen Berater. Drei pragmatische Schritte reichen, um die Verschiebung im eigenen Haus auszuprobieren.

1. Den ersten Experten identifizieren. Wer im Unternehmen hat tiefes Branchenwissen und gleichzeitig eine wiederkehrende Aufgabe, die er bisher delegiert? Vertriebsleiter mit Daten-Hunger, Personalreferentinnen mit Text-Aufwand, Produktionsleiter mit Auswertungs-Bedarf sind typische Kandidaten. Ein Mensch, ein Anwendungsfall – nicht zehn auf einmal.
2. Zwei Stunden pro Woche freiblocken. Nicht weniger, nicht mehr. Die ersten Wochen gehen für Werkzeug-Vertrautheit drauf, dann beginnt der Hebel zu wirken. Wer das nebenbei macht, lernt die Werkzeuge nicht tief genug, um sie für ernste Aufgaben einzusetzen.
3. Ein konkretes Ergebnis in vier Wochen. Ein selbst gebautes Dashboard, ein selbst verfasstes Whitepaper, ein selbst geschriebenes Auswertungs-Skript – etwas, das vorher delegiert worden wäre und jetzt aus eigener Hand kommt. Dieses Ergebnis ist der Beweis, ob die Augmentation im eigenen Haus funktioniert. Wenn ja, kommt der zweite Experte dran.

Die Methode ist absichtlich anti-strategisch. Große KI-Roadmaps neigen dazu, im Konzept hängenzubleiben. Augmentation wird im Tun spürbar – oder gar nicht. Wer das Muster einmal in einem Fachbereich gesehen hat, übersetzt es danach wesentlich leichter auf die nächsten.