Was die Lesart einer Netflix-Führungskraft über die Zukunft von Produkt- und Tech-Rollen verrät, und was mittelständische Unternehmen damit anfangen.
Im Juli 2026 sind zwei sehr verschiedene Dokumente zum selben Thema erschienen, keine zwei Wochen auseinander, und kaum jemand hat sie nebeneinandergelegt.
Das erste war ein Alarm. „We Must Act Now“, eine vom Digital Economy Lab in Stanford initiierte Erklärung, unterzeichnet von mehr als zweihundert Fachleuten aus Wirtschaftswissenschaft und Forschung, darunter sechzehn Nobelpreisträger, dazu führende Köpfe der großen KI-Labore, hält es für möglich, dass KI die Wirtschaft schneller umbaut als Dampfmaschine, Elektrizität oder Computer. Vorbereiten, bevor der Wandel da ist, heißt es dort, nicht danach.
Das zweite war eine Betriebsanleitung. Elizabeth Stone, Chief Product and Technology Officer bei Netflix, hat eine Stunde im Podcast von Lenny Rachitsky damit verbracht, Aufgabe für Aufgabe zu beschreiben, wie KI die Arbeit ihrer Produkt- und Engineering-Teams bereits verändert hat.
Das eine Dokument sorgt sich um die Volkswirtschaft. Das andere bleibt gelassen beim Organigramm. Nebeneinander gelesen beantworten sie die Frage, die ich unter den Schlagzeilen in fast jedem Führungsgespräch höre. Sie lautet nicht: Nimmt KI die Arbeitsplätze weg? Sie lautet: Was passiert innerhalb der Stellen, die es längst gibt?
Die zweite Frage ist Ihre Zeit wert. Die ehrliche Antwort fällt in den Daten der Ökonomen und bei einer Praktikerin, die das im Großen betreibt, gleich aus. Die Rollen verschwinden nicht. Der Aufgabenmix in ihnen verschiebt sich. Das klingt nach einer Feinheit. Tatsächlich entscheidet sich daran fast alles, denn es ändert, wofür Sie einstellen, wie Sie ein Team zuschneiden und was das Wort „senior“ in drei Jahren bedeuten wird.
Was sich in der Arbeit tatsächlich verschiebt
Stone spricht unromantisch über die Unruhe. Ihre Teams stecken in dem, was sie eine storming phase nennt: jener Strecke nach dem Auftauchen einer neuen Technologie, in der die eigene Aufgabe für einen Moment aufhört, Sinn zu ergeben. Sie hört es intern bei Netflix. Produktmanager, Designerinnen und Entwickler fragen im Kern: Wofür bin ich jetzt zuständig?
Sichtbar ist zunächst, dass alle mehr können. Ein Produktmanager stellt einen lauffähigen Prototyp auf die Beine, bevor überhaupt ein Entwickler beteiligt ist. Eine Designerin schreibt die Anforderungen. Analystinnen und sogar Leute aus Finanzen oder Content fahren eine erste Auswertung gegen Jahrzehnte eigener Netflix-Experimente, statt sich bei dem einen Data Scientist anzustellen, der noch weiß, wo die Antwort vergraben liegt. Die Teams kommen weiter, bevor irgendein Spezialist zum Nadelöhr wird.
Nicht verschoben hat sich, wer für das Ergebnis geradesteht. Ein Agent, der den Code schreibt, nimmt in Stones Lesart der Person, die ihn ausgeliefert hat, die Verantwortung nicht ab.
Und das fachliche Urteil unter jeder Rolle ist eher knapper geworden als vorher. Der Data Scientist verantwortet weiterhin, ob den Daten zu trauen ist. Die Produktmanagerin verantwortet weiterhin, ob das Problem überhaupt richtig gestellt ist. Der Entwickler verantwortet weiterhin, wie das Ding skaliert und was „gut“ hier heißt. „Großartiges Engineering finde ich nach wie vor selten, großartige Data Science selten, großartige Kreativität selten“, sagt sie (alle Zitate in diesem Beitrag sind aus dem Englischen übersetzt). Die Werkzeuge wurden mächtiger, und das Handwerk wurde zugleich rarer.
Der Perspektivwechsel, der das planbar macht: Aufgaben statt Rollen
Es gibt eine Untersuchung, die Stones Anekdoten in etwas Planbares übersetzt. Der Economic Index von Anthropic (Handa und Kollegen, 2025) hat mehr als vier Millionen echte Claude-Unterhaltungen auf den Berufekatalog des US-Arbeitsministeriums abgebildet, bis hinunter auf die einzelnen Aufgaben, aus denen diese Berufe bestehen. Lesen Sie das als das, was es ist: der Verkehr eines einzelnen Anbieters, einsortiert in einen amerikanischen Berufekatalog. Es zeigt die Form der Verschiebung, keine nationale Statistik.
Zwei Befunde zählen hier. Erstens verteilt sich die KI-Nutzung nicht gleichmäßig über ganze Berufe, sondern ballt sich in bestimmten Aufgaben: Softwareentwicklung und Schreiben machen allein knapp die Hälfte der gesamten Nutzung aus, und rund 36 Prozent der Berufe setzen KI für mindestens ein Viertel ihrer Aufgaben ein. Zweitens ist der größere Teil davon Verstärkung und nicht Automatisierung: 57 Prozent entfielen darauf, dass ein Mensch an einem Ergebnis lernt oder es weiterdreht, gegenüber 43 Prozent, bei denen eine Anfrage vollständig abgegeben wurde.
Klar gesagt: Die Einheit, an der KI ansetzt, ist die Aufgabe, nicht die Rolle. Sehr wenige Berufe haben den Großteil ihrer Aufgaben automatisiert. Sehr viel mehr haben eine Handvoll Aufgaben (das Entwerfen, das Zusammenfassen, die erste Auswertung), die still an die Maschine übergehen, während der Rest hartnäckig menschlich bleibt.
Genau das beschreibt Stone auf der Ebene eines einzelnen Unternehmens, und ein einzelnes Organigramm ist ein Beleg, kein Beweis. Planbar wird das Muster erst dadurch, dass es an beiden Stellen zugleich auftaucht: in vier Millionen Unterhaltungen und in der Art, wie eine große Produktorganisation ihre Arbeit tatsächlich neu sortiert hat. Ein Teil der Aufgaben wandert zur KI oder zu Nicht-Spezialisten; die urteilsintensiven Aufgaben verdichten sich und werden zu dem, wofür Sie erfahrene Leute in Wahrheit bezahlen.
Abbildung: Was sich innerhalb einer Produkt- oder Technikrolle verschiebt und was bleibt. Entwerfen, Zusammenfassen und erste Auswertung wandern zur Maschine oder zu Nicht-Spezialisten; Urteil, Problemzuschnitt und Verantwortung bleiben menschlich und werden knapper.
Deshalb geht auch die Frage „Ersetzt KI diese Rolle?“ als Planungsfrage regelmäßig ins Leere. Stellen Sie sie einer Rolle, bekommen Sie ein Schulterzucken. Stellen Sie sie den gut zwanzig Aufgaben, aus denen diese Rolle wirklich besteht, bekommen Sie eine echte Antwort, Aufgabe für Aufgabe. Das ist die Flughöhe, auf der ein Führungsteam handeln kann.
Wohin das läuft: ganze Abläufe, nicht einzelne Aufgaben
Alles bisher Gesagte ist eine Momentaufnahme, und es gehört klar dazugesagt, dass sich die Momentaufnahme bereits bewegt.
Die Sicht auf einzelne Aufgaben trägt, weil die Arbeit heute genau so übernommen wird: ein Stück hier, ein Stück dort, innerhalb einer Stelle, die weiterhin einem Menschen gehört. Aber die Stücke werden größer. Nach OpenAIs eigenen Nutzungsdaten zu seinem Coding-Agenten (Johnston u. a., „The Shift to Agentic AI: Evidence from Codex“) hat sich der Anteil der Nutzer, die mindestens eine Aufgabe abgeben, für die geschätzt mehr als acht Stunden erfahrener menschlicher Arbeit nötig wären, im ersten Halbjahr 2026 etwa verzehnfacht. Das ist keine neue Aufgabe, die automatisiert wird. Das ist eine Abfolge, die abgegeben wird.
Dieselbe Form sehe ich in meiner eigenen Arbeit. Vor einem Jahr war die brauchbare Einheit: etwas recherchieren und einen Entwurf schreiben. Heute ist die Einheit eher die ganze Kette. Quellen beobachten, sortieren, was zählt, recherchieren, entwerfen, gegen einen schriftlichen Maßstab prüfen, für die Suche aufbereiten, veröffentlichen, die Wirkung verfolgen und das Gelernte in den nächsten Text zurückspielen. Jeder einzelne Punkt war eine Aufgabe. Zusammen sind sie ein Arbeitsablauf, und zunehmend wird der Ablauf abgegeben, nicht die Schritte darin.
Wenn das passiert, verschwindet der Mensch nicht aus der Arbeit. Er rückt in ihr nach oben. Sie feilen nicht mehr an der Überschrift, sondern entscheiden, welche Kampagne dieses Quartal überhaupt lohnt: was der Maßstab ist, welche Wetten Sie setzen, was „gut“ hier heißt und wann Schluss ist. Die Forschung hat inzwischen einen Namen dafür. Eine Studie von Microsoft Research mit 319 Beschäftigten in Wissensberufen, 2025 auf der CHI veröffentlicht, beschreibt den Wandel als Übergang von task execution zu task stewardship: von der Ausführung einer Aufgabe zur Aufsicht über sie, also anleiten und prüfen statt selbst produzieren. Achten Sie darauf, wer das veröffentlicht hat, und darauf, dass es dem eigenen Geschäftsinteresse zuwiderläuft. Das ist ein Grund, den Befund ernster zu nehmen, nicht weniger ernst.
Das ist die Richtung, und ich halte es für richtig, sich darauf einzustellen. Drei Dinge sollten Sie dabei im Blick behalten.
So arbeiten die meisten noch nicht. Dieselben OpenAI-Daten, die die Verzehnfachung zeigen, zeigen auch, dass in einer Stichprobenwoche rund zwei Drittel der zahlenden Unternehmensnutzer überhaupt keine parallel laufenden Agenten gestartet haben. Die Zukunft der Orchestrierung ist real, und sie kommt ungleichmäßig an. Wenn Ihre Teams noch nicht dort sind, sind sie nicht hinterher – sie sind normal.
Der Aufstieg in der Arbeit ist eine Entscheidung, keine Beförderung, die Ihnen zufällt. Eine Studie der Harvard Business School mit 244 Beraterinnen und Beratern fand drei Umgangsweisen mit KI. Die meisten arbeiteten mit der KI zusammen. Eine kleine Gruppe nutzte sie, um die eigene Fachlichkeit zu vertiefen. Und rund ein Viertel gab die Arbeit schlicht ab, wobei knapp die Hälfte dieser Gruppe das Ergebnis übernahm, ohne ein Wort zu ändern. Die Autoren hat das erstaunt, denn es handelte sich um fähige, gewissenhafte Fachleute, die wussten, dass ihre Arbeit geprüft werden würde. Die Aufsicht zu führen ist das gute Ergebnis. Die Arbeit einfach abzugeben ist der leichte Weg, und an einem Dienstagnachmittag sieht beides gleich aus.
Das Urteil wird schwerer, nicht leichter. Der unbequeme Befund lautet: Die Prüfung wird genau dort schlechter, wo Sie sich am liebsten auf sie stützen würden. In einer kontrollierten Studie mit knapp 2.800 Personen, die von KI extrahierte Zahlen nachprüften, stieg die Rate falsch akzeptierter Antworten, sobald die Teilnehmenden die Korrektur selbst vornehmen mussten. Höhere Bezahlung half nicht. Wenn Ihr Plan darauf beruht, dass ein Mensch abfängt, was die Maschine falsch macht, dann braucht dieser Mensch Zeit, einen schriftlichen Maßstab und ein Volumen, das klein genug ist, damit das Prüfen echte Arbeit bleibt und nicht zur Formsache wird.
Nichts davon spricht gegen die Richtung. Es spricht dafür, sie bewusst zu gehen. Die Unternehmen, die aus den nächsten zwei Jahren am meisten herausholen, sind die, die absichtlich festlegen, welche Urteile bei einem Menschen bleiben, und die dann die Bedingungen schützen, unter denen dieser Mensch sie tatsächlich fällen kann.
Was das für ein Unternehmen Ihrer Größe heißt
Netflix hat Tausende Entwicklerinnen und Entwickler und kann die ganze Organisation darauf ausrichten. Sie vermutlich nicht, und Sie müssen es auch nicht. Die Schritte, die sich übertragen lassen, sind kleiner und nützlicher, als die Schlagzeilen nahelegen.
Setzen Sie bei Einstellungen auf Breite, nicht auf Spezialistentum. Das Profil, von dem Stone nach eigener Aussage mehr braucht, ist das systemische: jemand, der über Geschäftsbereiche hinwegsieht und die Bausteine erkennt, statt der tiefen Spezialistin, die eine schmale Sache außerordentlich gut kann. Zur Kehrseite äußert sie sich ohne Umschweife: Die Zeit sehr enger, tiefer Spezialisierung erscheint ihr heute begrenzter. Für ein mittelgroßes Unternehmen sind das gute Nachrichten, denn zehn Spezialisten hätten Sie ohnehin nie besetzt. Wer sich heute schon zwischen Marketing, Betrieb und ein bisschen Daten bewegt, ist jetzt mehr wert, und KI vergrößert die Reichweite dieser Person zusätzlich. Systemisches Denken hat sogar eine lehrbare Fassung: bei jedem Problem eine Ebene höher gehen und fragen, was Sie über den größeren Zusammenhang annehmen, bevor Sie das kleine Problem lösen.
Setzen Sie die Leitplanken zuerst. Die unspektakuläre Hälfte von Stones Antwort ist Infrastruktur: eine eindeutige Datenquelle, auf die sich alle beziehen, die Gewohnheit, KI-Ergebnisse vor dem Ausliefern zu prüfen, und eine ausdrückliche Regel, dass ein benannter Mensch für das Ergebnis geradesteht. Das ist dieselbe Governance-Schicht, auf die der Aufruf der Ökonomen zeigt, nur auf Unternehmensgröße übersetzt. In einem regulierten Unternehmen, mit dem ich arbeite, war der erste wirklich nützliche Schritt überhaupt kein neues Werkzeug. Es war die schriftliche Festlegung, welche Aufgaben KI ohne Prüfung anfassen darf und welche nicht, und wer unterschreibt, wenn sie es tut. Dieses eine Dokument hat dort mehr für die Einführung gebracht als jedes Pilotprojekt zuvor, weil es den Leuten erlaubte, bei den unkritischen Aufgaben zügig zu arbeiten, ohne sich zu fragen, ob sie gerade ein Problem verursachen.
Stellen Sie weiter Berufseinsteiger ein, und ändern Sie, wie Sie sie ausbilden. Hier wird die Arbeitsmarktlage konkret. Die aggregierten Beschäftigungszahlen sind noch nicht gekippt, aber eine Stanford-Auswertung von Gehaltsabrechnungen, „Canaries in the Coal Mine?“, findet seit dem Aufkommen generativer KI einen relativen Beschäftigungsrückgang von rund 13 Prozent bei den 22- bis 25-Jährigen in den am stärksten KI-exponierten Berufen. Lesen Sie „relativ“ wörtlich: Es ist ein Rückgang, gemessen an vergleichbaren Beschäftigten anderswo, nicht dreizehn Prozent junger Menschen ohne Arbeit.
Stones Antwort darauf ist nicht, keine Berufseinsteiger mehr einzustellen; sie führt weiterhin Praktikums- und Absolventenprogramme und nennt sie zentral für die Strategie. Ihre Antwort ist, mehr in Mentoring zu investieren, weil das Handwerk, das Berufseinsteiger früher nebenbei über die Kleinarbeit aufgenommen haben, jetzt bewusst vermittelt werden muss. Die stille Falle für ein Unternehmen Ihrer Größe: Einstellungen am Berufseinstieg für ein, zwei Jahre einfrieren, um Kosten zu sparen, und ein paar Jahre später den eigenen Nachschub an erfahrenen Leuten aushöhlen.
Der ehrliche Vorbehalt, und was trotzdem übertragbar ist
Es wäre ein Fehler, ein Netflix-Playbook unverändert in ein Unternehmen mit 200 Leuten zu heben. Stone führt eine Organisation mit Tausenden Entwicklern, Jahrzehnten angesammelter Experimente und einer Kultur, die auf dem beruht, was Netflix talent density nennt, also Talentdichte: dem bewussten Luxus, nur außergewöhnliche Leute einzustellen und an der Spitze des Marktes zu bezahlen. Sie haben ein schlankeres Team, weniger Luft und keine Möglichkeit, zwanzig Wetten parallel laufen zu lassen und neunzehn davon still zu beerdigen. Ein Teil ihrer Antworten gibt es nur in ihrer Größenordnung.
Trennen Sie also das Übertragbare vom Nicht-Übertragbaren. Übertragbar ist das Denken: Veränderung auf der Ebene von Aufgaben lesen statt auf der von Rollen; Leitplanken vor Tempo setzen; bei Einstellungen auf Breite setzen; Handwerk absichtlich lehren, weil es nicht mehr nebenbei aufgenommen wird. Nicht übertragbar ist die Größe selbst: die parallelen Wetten und die Möglichkeit, sich Talentdichte zu kaufen.
Und halten Sie an der ehrlichen Fassung des Zeitplans fest, denn sie steht der Panik ebenso entgegen wie der Bequemlichkeit. Die Kernsorge des Aufrufs ist plausibel: Das Anpassungsfenster wirkt kürzer als bei früheren Technologiesprüngen, und im Nachhinein vorzubereiten ist die teure Variante. Das ist allerdings eine Prognose, keine Messung.
„Jetzt handeln“ heißt nicht „jetzt kürzen“. Die vorliegenden Belege zeigen keine flächendeckende Vernichtung von Arbeitsplätzen durch KI. Sie zeigen einen wandernden Aufgabenmix innerhalb der Stellen, dazu einen scharfen Druckpunkt am Berufseinstieg. Die Antwort, die zur Dringlichkeit und zu den Daten passt, lautet: Aufgaben neu zuschneiden und in die eigenen Leute investieren, statt den Personalbestand auf eine Prognose hin umzubauen.
Der Alarm und die Betriebsanleitung sagen letzten Endes dasselbe auf zwei Flughöhen: Bereiten Sie jetzt vor, und die Vorbereitung ist unspektakulär.
Machen Sie also in diesem Quartal die unspektakuläre Fassung. Nehmen Sie eine Rolle in Ihrem Team, schreiben Sie die Aufgaben darin auf und markieren Sie die drei, die vernünftigerweise an eine Maschine oder an eine Nicht-Spezialistin gehen könnten, und die drei, die auf keinen Fall wandern dürfen. Halten Sie dann schriftlich fest, wer die ersten drei prüft. Eine Rolle, ein Nachmittag: Da fängt das wirklich an.
Quellen: Lee et al., „The Impact of Generative AI on Critical Thinking“ (CHI ‘25) · Johnston et al., „The Shift to Agentic AI: Evidence from Codex“ · Randazzo et al., HBS Working Paper 26-036 · Beck et al., „Bias in the Loop“ · Stanford Digital Economy Lab: „We Must Act Now“ · „We Must Act Now“, vollständige Erklärung · Lenny’s Podcast: Netflix CPTO Elizabeth Stone on AI and the future of product and tech roles · Anthropic Economic Index: Handa et al., „Which Economic Tasks Are Performed with AI?“ · Stanford Digital Economy Lab: „Canaries in the Coal Mine?“
Dieser Beitrag ist Teil des AI Leadership Journal. Geschrieben hat ihn Claudius Gramse. evonomics ist die unabhängige KI-Beratung, die mittelständischen Unternehmen in Europa hilft, KI in den Prozessen zu verankern, die ihr Geschäft tatsächlich tragen. Wenn Sie durchsprechen möchten, wie das für Ihr eigenes Team aussieht: Genau das ist meine Arbeit.
