Seit drei Jahrzehnten gilt das T-Shaped-Profil als Goldstandard für Wissensarbeiter: tiefe Expertise in einem Fachgebiet, breite Kollaborationsfähigkeit darüber. David Guest prägte den Begriff 1991, McKinsey nutzte ihn intern bereits in den 1980er Jahren, und Tim Brown machte ihn ab 2005 über die Design-Thinking-Bewegung populär. Das Konzept funktionierte, weil Breitenwissen knapp war. Man musste es sich erarbeiten, durch Lesen, Gespräche und Berufserfahrung.
Generative KI verändert diese Gleichung. Im vorherigen Artikel dieser Serie wurde beschrieben, wie KI die Ausführung automatisiert und die verbleibende Arbeit auf Urteilsbildung verdichtet. Hier geht es um die Folgefrage: Welche Kompetenzprofile sind für diese Urteilsarbeit am besten aufgestellt?
KI verändert das T
Jeder kann heute einen Marketingtext schreiben, einen Projektplan skizzieren oder eine Regulierungsfrage recherchieren. Vor drei Jahren war das noch ein Unterscheidungsmerkmal. Wenn jeder mit einem LLM Grundwissen in jeder Domäne abrufen kann, ist oberflächliches Breitenwissen keine Differenzierung mehr. Echte Tiefe bleibt dagegen an menschliche Lernprozesse gebunden. Deliberate Practice, Erfahrungsbildung, das Narbengewebe gescheiterter Versuche: Das lässt sich nicht durch ein Sprachmodell ersetzen.
Das hat eine Konsequenz für das T-Shaped-Modell: Der horizontale Balken, bisher ein Differenzierungsmerkmal, wird zur Selbstverständlichkeit. Was bleibt, ist die Tiefe. Aber eine einzige Tiefe reicht nicht unter der Annahme, dass die wertvollsten Beiträge an den Schnittstellen zwischen den Domänen entstehen.
Doch die Demokratisierung der Breite erzeugt ein neues Problem: Wie unterscheidet man fundiertes Wissen von plausibel klingendem? KI-generierte Antworten wirken überzeugend, auch wenn sie oberflächlich oder falsch sind. Die Fähigkeit, Informationen nicht nur abzurufen, sondern einzuordnen, zu gewichten und auf Konsistenz zu prüfen, wird damit wichtiger als das Breitenwissen selbst. Wer drei Domänen oberflächlich kennt, ist nicht besser aufgestellt als vorher. Wer in einer Domäne tief genug steckt, um die Qualität von KI-Output in angrenzenden Feldern beurteilen zu können, hat einen echten Vorteil.
KI addiert nicht, sie multipliziert
KI ist ein Verstärker, kein Ersatz für eigenes Wissen. Sie macht aus vorhandenem Können mehr, aber sie fügt kein neues hinzu. Wer wenig mitbringt, bekommt wenig zurück — wer viel mitbringt, bekommt überproportional viel.
Für Kompetenzprofile hat das eine konkrete Implikation: Wer mehr Domänen gut kennt, hat einen größeren Hebel. Ein Softwareentwickler, der nur Python beherrscht, nutzt KI als bessere Autovervollständigung. Eine Entwicklerin, die zusätzlich Domänenwissen in Logistik hat, nutzt KI um Optimierungsalgorithmen zu entwerfen, die ein reiner Informatiker nie konzipieren würde, weil sie das Geschäftsfeld kennt. Derselbe KI-Zugang, ein völlig anderer Hebel.
Wenn eine Tiefe nicht mehr reicht, was kommt danach? Seit den 2010er Jahren gibt es eine Reihe von Weiterentwicklungen des T-Modells. Pi-Shaped (π) beschreibt zwei tiefe Expertisen plus breite Basis: die Brücke zwischen zwei Fachgebieten. Comb-Shaped beschreibt viele tiefe Expertisen, typischerweise aufgebaut über 15 und mehr Berufsjahre. Und E-Shaped, geprägt von Sarah Davanzo und Derek Huether, fügt eine entscheidende Dimension hinzu: neben Expertise und Experience auch Execution und Exploration. Die Fähigkeit, Wissen nicht nur zu haben, sondern umzusetzen und aktiv neue Felder zu erschließen.
Der Wert liegt an den Schnittstellen
Viele relevante Probleme und Innovationen entstehen häufig an der Kreuzung von Domänen. Eine Ärztin, die auch Health-IT-Systeme versteht, kann beurteilen, ob ein KI-Diagnosevorschlag klinisch plausibel ist. Ein reiner ML-Experte sieht nur Modellmetriken, eine reine Medizinerin versteht nicht, woher der Output kommt und wie er zustande gekommen ist. Das kann weder KI noch ein Einzelspezialist liefern.
Dahinter steht ein Prinzip, das sich durch die gesamte KI-Debatte zieht: Man kann KI nur nach Dingen fragen, von denen man weiß. Wissen ist der Index für KI-Delegation. Wer nur eine Domäne kennt, kann KI nur innerhalb dieser Domäne einsetzen. Wer drei Domänen kennt, hat einen entsprechend größeren Index und kann Fragen stellen, die ein Spezialist nie stellen würde, weil er nicht weiß, was es in der anderen Domäne gibt.
In einer Welt, in der KI das Abrufen und Zusammenfassen von Informationen übernimmt, wird die Fähigkeit, die richtigen Fragen zu stellen, zum eigentlichen Engpass. Und die richtigen Fragen kommen aus der Erfahrung, wie Domänen interagieren, nicht aus dem Wissen innerhalb einer einzelnen Domäne.
Synthese als Kernkompetenz
KI kann abrufen, remixen und zusammenfassen. Sie kann nicht abwägen, mit Widersprüchen ringen oder fragen: Was sehen wir nicht? Menschen, die über Domänengrenzen hinweg Ideen verknüpfen, blinde Flecken aufdecken und Systeme sehen, wo andere Silos sehen, dürften zum knappen Gut werden.
Hier bekommt das E-Shaped-Profil seine besondere Relevanz. Es beschreibt vier Dimensionen, die sich gegenseitig verstärken: Expertise in mehreren Domänen, nicht nur einer. Experience als praktische Erfahrung über verschiedene Kontexte hinweg — das Wissen, wie Dinge in der Praxis funktionieren, nicht nur in der Theorie. Execution als Fähigkeit, Ideen tatsächlich umzusetzen, in spezifischen Kontexten mit ihren Widersprüchen und ungeschriebenen Regeln. Und Exploration als permanente Neugier, als aktive Suche nach neuen Feldern — in einer Welt, in der bestehendes Wissen immer schneller zur Selbstverständlichkeit wird, ist die Fähigkeit, sich neue Domänen zu erschließen, selbst eine Kernkompetenz. KI kann Ideen, Entwürfe und Analysen massenhaft generieren. Was sie nicht kann, ist die Verbindung aus Erfahrung und Umsetzung, die entscheidet, ob aus einer Idee etwas wird.
Was folgt daraus?
Das T-Shaped-Modell war drei Jahrzehnte lang die richtige Antwort auf eine Arbeitswelt, in der Breitenwissen knapp und Spezialisierung das Fundament war. In einer Welt, in der KI die Breite demokratisiert und den Wert an die Schnittstellen verschiebt, wird das T zum Ausgangspunkt, nicht zum Ziel. Der Weg führt von T nach E.
Für Organisationen schließt sich hier der Kreis zum ersten Artikel dieser Serie: Die dort geforderte Investition in Menschen statt in Technologie bedeutet konkret, Pi- und E-Shaped-Profile zu entwickeln. Teams nicht nur nach Einzelexpertisen zusammenstellen, sondern nach Brückenköpfen zwischen Domänen. Die Einstellungspolitik nicht auf den tiefsten Spezialisten ausrichten, sondern auf Menschen, die mehrere Welten verbinden können.
Wenn sich die geforderten Profile verändern, stellt sich allerdings eine Frage, die über das Individuum und die einzelne Organisation hinausgeht: Was bedeutet diese Verschiebung für Arbeitsmärkte und Beschäftigung insgesamt? Dünnt die Nachfrage nach menschlicher Arbeit schleichend aus, oder entstehen gleichzeitig neue Tätigkeiten? Dem widmet sich der letzte Artikel dieser Serie.