Warum Anfänger KI schneller adoptieren als Experten

Der Senior, der aufgab

Ein Software-Senior mit 15 Jahren Erfahrung kommentiert ein KI Coding Tool so: "Was da raus kommt, das ist nicht sauber. Die Architektur stimmt nicht und er produziert Spaghetti Code. Ich mach das lieber selber."

Ein Junior-Entwickler, zwei Jahre Erfahrung, in der gleichen Situation: "Wie kann ich den Prompt optimieren, damit die Qualität stimmt?" Er arbeitet Skills aus, schreibt Anweisungen und Agenten-Definitionen, probiert den Prompt ein paar Mal — bis der Output die gewünschte Struktur hat.

Ich sehe dieses Muster immer wieder in meinem Umfeld. In Gesprächen mit Entwicklern, in LinkedIn-Diskussionen, in der eigenen Erfahrung. Software-Seniors sind besonders betroffen — aber das Phänomen zieht sich durch alle Branchen.

Die drei Experten-Fallen

"Der Output ist nicht gut genug"

Experten haben ein trainiertes Auge. Sie sehen sofort, was falsch ist — und das ist ihr Problem. Der erste Output einer KI ist nie perfekt. Er ist ein Startpunkt. Aber Experten vergleichen ihn mit ihrer besten Arbeit und sind enttäuscht.

Was sie nicht tun: den Prompt verbessern. Ein System aufbauen. Der KI beibringen, wie sie arbeiten. Dabei ist genau das der Schlüssel: Ein gut geschriebener Skill — eine wiederverwendbare Anweisung mit Rolle, Kontext und Formatvorgaben — verwandelt einen mittelmässigen Output in ein Ergebnis auf Expertenniveau. Und ein sauber definierter Agent mit klaren Zielen, Tools und Leitplanken arbeitet wie ein Junior, der genau weiss, was der Senior von ihm erwartet.

Aber statt diese 30 Minuten Setup zu investieren, legen Experten das Tool weg und sagen: "Bringt nichts."

"Das kann ich schneller selber"

Stimmt. Kurzfristig. Ein Senior schreibt den Code in 20 Minuten, die KI braucht drei Prompt-Runden für ein vergleichbares Ergebnis. Klarer Sieg für den Experten — heute.

Aber was passiert im Nachhinein? Der Junior, der sich ein System aus Skills und Templates aufgebaut hat, generiert morgen ähnliche Aufgaben in Minuten. Der Senior schreibt immer noch alles von Hand. Und räumt dann alles auf, was der Junior mit KI produziert hat — was am Ende sogar länger dauert.

Wer das System nicht baut, wird zum Bottleneck.

"So macht man das nicht in unserer Branche"

20 Jahre Erfahrung bedeuten: 20 Jahre eingelernte Prozesse. "So haben wir das immer gemacht" ist der gefährlichste Satz in jedem Unternehmen — und bei KI-Adoption ist er tödlich.

Die KI kennt deine Branchenkonventionen nicht. Sie probiert andere Wege. Manchmal sind die schlecht. Aber manchmal sind sie besser — und ein Experte erkennt das nicht, weil er gar nicht hinschaut.

Warum Anfänger schneller adoptieren

Anfänger haben einen entscheidenden Vorteil: kein Ego beim Output.

Sie haben keine 20 Jahre Referenz, gegen die sie vergleichen. Wenn die KI etwas ausspuckt, nehmen sie es als Ausgangspunkt und arbeiten damit. Sie fragen: "Warum?" und "Wie geht das besser?" Sie iterieren, ohne sich zu ärgern.

Meine eigene Erfahrung: Ich bin kein professioneller Software-Entwickler. Ich kannte viele Konzepte, konnte rudimentär Code lesen und schreiben — aber nicht auf einem Niveau, das produktionsreif wäre. Als ich angefangen habe, mit Claude Code Websites zu bauen, war genau das mein Vorteil. Ich habe bei jedem generierten Code gefragt: "Was machst du hier und warum?"

Nach wenigen Wochen konnte ich die KI gezielt anleiten — nicht weil ich professionell programmieren gelernt habe, sondern weil ich gelernt habe, wie die KI denkt und was sie braucht, um guten Output zu liefern. Heute baue ich komplexe Web-Applikationen, die ein Jahr zuvor undenkbar gewesen wären. Nicht trotz meines Nicht-Experten-Status — wegen ihm.

Die Anfänger-Gefahr

Aber — und das ist der wichtige Teil — Anfänger wissen nicht, was sie nicht wissen.

• Sie übersehen Qualitätsmängel, die ein Experte sofort sehen würde — Sicherheitslücken, falsche Annahmen in der Analyse, fehlende Edge Cases.
• Sie erkennen Halluzinationen nicht. Wenn die KI überzeugend falsche Fakten liefert, übernehmen sie die ohne Prüfung.
• Sie kippen sensible Daten in Tools, ohne über Datenschutz nachzudenken.
• Sie werden overconfident: "KI hat gesagt, also stimmt's."

Ein Anfänger mit KI ist oft wie ein Fahrschüler in einem 500-PS-Auto. Er kommt schnell voran — aber es kann potenziell gefährlich werden.

Die Lösung: Denke wie ein Anfänger, prüfe wie ein Experte

Die besten KI-Nutzer, die ich in meinem Umfeld sehe, kombinieren beide Mindsets:

Phase 1 — Anfänger-Modus (Generieren):

• Offen bleiben, experimentieren, keine Erwartungen
• Iterieren statt urteilen
• "Wie könnte man das anders lösen?" statt "Das ist falsch"
• Die KI mit ihrem eigenen Output konfrontieren: "Was würdest du beim nächsten Mal besser machen?" — die Antwort ist oft erstaunlich gut und liefert dir den besseren Prompt gleich mit
• Neugier vor Kritik

Phase 2 — Experten-Modus (Prüfen):

• Output kritisch evaluieren mit Fachwissen
• Halluzinationen erkennen und korrigieren
• Qualitätsstandards anwenden
• Datenschutz und Sicherheit checken

Phase 3 — System bauen:

• Was funktioniert hat, als Skill abspeichern — mit Rolle, Ton, Wissen, Format und Einschränkungen. Einmal sauber formuliert, bei jedem Chat automatisch aktiv.
• Agenten-Definitionen schreiben, die dein Expertenwissen kodifizieren: "Du bist ein M&A-Analyst mit Fokus auf Schweizer KMU. Prüfe immer zuerst die Earn-out-Klauseln." So arbeitet die KI wie dein bester Mitarbeiter — mit deinem Erfahrungswissen als Leitplanke.
• Scripts und Automationen bauen, die wiederkehrende Prüfungen übernehmen
• So arbeitet die KI auf deinem Niveau — ohne dass du jeden Prompt von Hand schreibst

Was das für KMU bedeutet

Wenn du ein Team mit unterschiedlichem KI-Level managst:

1. Gib deinem Team Zeit und Raum zum Experimentieren — wer KI nur nebenbei zwischen Meetings ausprobiert, wird nie über den ersten enttäuschenden Output hinauskommen
2. Fordere die Experten heraus — nicht "nutze KI", sondern "bau ein System, das dein Wissen für andere skaliert"
3. Bau dir eine Skill- und Agenten-Library auf — jeder gelungene Prompt wird zum Skill, jeder wiederkehrende Prozess zum Agenten. So entsteht über die Zeit eine Bibliothek, die dein ganzes Team nutzen kann — und die mit jedem Einsatz besser wird.
4. Mach Iteration zur Gewohnheit — der erste Output ist nie das Endergebnis. Das zweite Durchlauf auch nicht. Ab dem dritten wird's gut.

Die Ironie: Die wertvollsten KI-Nutzer in deinem Team sind nicht die technisch Versiertesten. Es sind die, die bereit sind, nochmal zu fragen.