The Jagged Frontier: How AI Will Transform Your Job, According to Wharton’s Ethan Mollick

Summary & Insights

What if the most valuable skill in the age of AI is not coding or creating, but becoming a master of delegation and work design? This shift from doing tasks to orchestrating them forms the core of a conversation with Wharton professor Ethan Mollick, who tracks AI’s rapid evolution. He describes moving beyond the initial “co-intelligence” phase of chatbots to an era of practical AI agents—systems that can autonomously accomplish multi-hour goals, fundamentally reshaping work. This is already evident in software development, where “dark factories” can now take in a roadmap and output tested code without any human ever seeing it. The transformation extends to education, where Mollick’s students use AI to launch functional startups in just a couple of days, a process that once took an entire semester. The overarching theme is that AI doesn’t just automate tasks; it changes the bottlenecks in any process, forcing a re-evaluation of what human skills are truly indispensable.

Mollick emphasizes that AI possesses a “jagged frontier”—it excels at some tasks while faltering at others, which reshapes jobs piecemeal rather than eliminating them wholesale. This means the value of a role now hinges on how much of a bottleneck the human represents. For instance, while AI can generate code or drafts with astonishing speed, the crucial human skills become defining the project vision, designing the workflow, and providing the nuanced judgment and feedback that AI lacks. In education, this translates to a classroom where AI handles tutoring and simulations, freeing teachers to focus on fostering debate, reflection, and complex application of ideas.

The conversation strikes a balance between awe at AI’s potential and concern for its societal ripple effects. While personalized AI tutors could democratize elite education, they also threaten the traditional apprenticeship model where junior employees learn by doing tasks that AI can now do better. Mollick is optimistic about job creation in the long arc of technological history but candid about the disruptive and painful transition ahead. The challenge for individuals and organizations is to avoid the path of least resistance—simply automating for cost savings—and instead aim to use AI to augment human capability and expand what’s possible.

Surprising Insights

The Threat to Apprenticeship: The traditional model of on-the-job learning for juniors and interns is collapsing. Why would a boss assign a research report to an intern when an AI can produce 20 better drafts instantly? This severs a crucial pipeline for developing deep expertise.
The Rise of the “Dark Factory” for Code: Companies like StrongDM have created fully automated “software dark factories” where AI agents generate code, other AI agents act as fake customers to test it, and functional software emerges without any human ever writing or reviewing a line.
AI’s “Jagged Frontier” Defines Job Security: A job isn’t simply automated away; instead, AI transforms specific tasks within it. Your value now depends on whether your core skills lie on the “jagged” part of the frontier that AI cannot yet handle effectively, making you a necessary bottleneck.
The Risk of “Work Slop”: A significant organizational risk isn’t too little AI output, but too much—an overwhelming flood of AI-generated, mediocre content (like a thousand generic PowerPoints) that wastes more time than it saves if there’s no clear strategy for its use.
Management Becomes Instructional Design: Managing AI agents is likened to outsourcing for the first time; the hard part shifts from doing the work to specifying intent with extreme clarity and designing the series of steps and checks the AI must follow.

Practical Takeaways

Focus on Defining the “What,” Not the “How.” Hone the skill of writing precise project briefs, PRDs (Product Requirement Documents), or marketing intents. Your role is increasingly to be the architect who provides the goal and evaluation criteria for AI builders.
Use AI for Closed-Ended Tasks, Not Open-Ended Creativity. AI agents excel at executing a well-defined task (e.g., “analyze these 100 reports for common themes”). They struggle more with truly open-ended, nuanced creative work, which remains a human forte.
Deliberately Design Learning Friction. If you use AI to complete a task, you must create a separate, reflective step to cement the learning—like having an AI interview you about your process or forcing yourself to defend the output against a skeptical AI “devil’s advocate.”
Cultivate Both Deep and Wide Knowledge. Develop deep expertise in one domain (which helps you spot AI’s “jagged” errors) combined with broad, general knowledge (which helps you see new connections and opportunities). This blend is highly resilient.
Approach AI with Both Awe and Skepticism. Don’t just plug it into old workflows; ask what impossible things it might enable. But always maintain a human-in-the-loop for major decisions, setting strict limits (like spending caps) to manage risk, as AI can be an over-eager intern.

Giả sử kỹ năng giá trị nhất trong thời đại AI không phải là lập trình hay sáng tạo, mà là trở thành bậc thầy về phân công và thiết kế công việc thì sao? Sự chuyển dịch từ việc tự thực hiện nhiệm vụ sang việc tổ chức chúng là trọng tâm của cuộc trò chuyện với giáo sư Ethan Mollick từ Wharton, người theo dõi sự tiến hóa nhanh chóng của AI. Ông mô tả việc vượt ra khỏi giai đoạn “cộng trí tuệ” ban đầu của chatbot để bước vào kỷ nguyên của các tác nhân AI thực tế — những hệ thống có thể tự chủ hoàn thành các mục tiêu kéo dài hàng giờ, định hình lại công việc một cách căn bản. Điều này đã thấy rõ trong phát triển phần mềm, nơi các “nhà máy tối” giờ đây có thể tiếp nhận một lộ trình và xuất ra mã đã được kiểm thử mà không cần bất kỳ con người nào nhìn thấy nó. Sự biến đổi này mở rộng sang giáo dục, khi sinh viên của Mollick sử dụng AI để khởi động các startup chức năng chỉ trong vài ngày, một quá trình trước đây cần cả một học kỳ. Chủ đề bao trùm là AI không chỉ tự động hóa công việc; nó thay đổi những điểm nghẽn trong mọi quy trình, buộc chúng ta phải đánh giá lại kỹ năng nào của con người là thực sự không thể thiếu.

Mollick nhấn mạnh rằng AI sở hữu một “biên giới lởm chởm” — nó xuất sắc ở một số nhiệm vụ trong khi lại vấp váp ở những nhiệm vụ khác, điều này định hình lại công việc từng phần thay vì loại bỏ chúng đồng loạt. Điều này có nghĩa giá trị của một vai trò giờ đây phụ thuộc vào mức độ con người đại diện cho một điểm nghẽn. Ví dụ, trong khi AI có thể tạo mã hoặc bản nháp với tốc độ đáng kinh ngạc, kỹ năng quan trọng của con người trở thành việc xác định tầm nhìn dự án, thiết kế quy trình làm việc, và đưa ra những đánh giá, phản hồi tinh tế mà AI còn thiếu. Trong giáo dục, điều này chuyển thành một lớp học nơi AI xử lý việc dạy kèm và mô phỏng, giải phóng giáo viên để tập trung vào thúc đẩy tranh luận, suy ngẫm và ứng dụng phức tạp các ý tưởng.

Cuộc trò chuyện tạo ra sự cân bằng giữa sự kinh ngạc trước tiềm năng của AI và mối quan ngại về những tác động lan tỏa xã hội của nó. Trong khi các gia sư AI cá nhân hóa có thể dân chủ hóa giáo dục chất lượng cao, chúng cũng đe dọa mô hình học việc truyền thống nơi nhân viên cấp dưới học hỏi bằng cách thực hiện các nhiệm vụ mà giờ đây AI có thể làm tốt hơn. Mollick lạc quan về việc tạo ra việc làm trong quá trình lịch sử công nghệ lâu dài nhưng thẳng thắn về sự chuyển đổi đầy gián đoạn và khó khăn phía trước. Thách thức đối với cá nhân và tổ chức là tránh con đường ít lực cản nhất — đơn thuần tự động hóa để tiết kiệm chi phí — và thay vào đó hướng tới việc sử dụng AI để tăng cường năng lực con người và mở rộng những gì có thể.

Những Hiểu Biết Bất Ngờ

Mối Đe Dọa Đối Với Mô Hình Học Việc: Mô hình học việc truyền thống cho nhân viên cấp dưới và thực tập sinh đang sụp đổ. Tại sao một ông chủ lại giao báo cáo nghiên cứu cho thực tập sinh khi một AI có thể tạo ra 20 bản nháp tốt hơn ngay lập tức? Điều này cắt đứt một kênh quan trọng để phát triển chuyên môn sâu.

Sự Trỗi Dậy Của “Nhà Máy Tối” Cho Mã Nguồn: Các công ty như StrongDM đã tạo ra các “nhà máy tối phần mềm” hoàn toàn tự động, nơi các tác nhân AI tạo mã, các tác nhân AI khác đóng vai khách hàng giả để kiểm thử, và phần mềm chức năng ra đời mà không có bất kỳ con người nào từng viết hoặc xem xét một dòng mã.

“Biên Giới Lởm Chởm” Của AI Định Nghĩa An Toàn Công Việc: Một công việc không đơn giản bị tự động hóa thay thế; thay vào đó, AI biến đổi những nhiệm vụ cụ thể bên trong nó. Giá trị của bạn giờ đây phụ thuộc vào việc kỹ năng cốt lõi của bạn có nằm ở phần “lởm chởm” của biên giới mà AI chưa thể xử lý hiệu quả hay không, biến bạn thành một điểm nghẽn cần thiết.

Rủi Ro Của “Công Việc Cẩu Thả”: Một rủi ro tổ chức đáng kể không phải là đầu ra AI quá ít, mà là quá nhiều — một lượng lớn tràn ngập nội dung tầm thường do AI tạo ra (như một nghìn bản PowerPoint chung chung) — lãng phí nhiều thời gian hơn là tiết kiệm nếu không có chiến lược rõ ràng cho việc sử dụng chúng.

Quản Lý Trở Thành Thiết Kế Hướng Dẫn: Việc quản lý các tác nhân AI được ví như việc thuê ngoài lần đầu tiên; phần khó khăn chuyển dịch từ việc thực hiện công việc sang việc xác định ý định với sự rõ ràng cực độ và thiết kế chuỗi các bước cùng kiểm tra mà AI phải tuân theo.

Những Điểm Thực Tiễn Cần Ghi Nhớ

Tập Trung Vào Xác Định “Cái Gì”, Chứ Không Phải “Như Thế Nào”. Trau dồi kỹ năng viết các bản tóm tắt dự án chính xác, các PRD (Tài liệu Yêu Cầu Sản Phẩm) hoặc ý định tiếp thị. Vai trò của bạn ngày càng trở thành kiến trúc sư cung cấp mục tiêu và tiêu chí đánh giá cho những người xây dựng AI.

Sử Dụng AI Cho Các Nhiệm Vụ Đóng, Không Phải Sáng Tạo Mở. Các tác nhân AI xuất sắc trong việc thực thi một nhiệm vụ được xác định rõ ràng (ví dụ: “phân tích 100 báo cáo này để tìm chủ đề chung”). Chúng gặp khó khăn hơn với công việc sáng tạo thực sự mở và tinh tế, lĩnh vực mà con người vẫn vượt trội.

Thiết Kế Có Chủ Đích Sự Ma Sát Học Tập. Nếu bạn sử dụng AI để hoàn thành một nhiệm vụ, bạn phải tạo ra một bước riêng biệt, suy ngẫm để củng cố việc học — như để một AI phỏng vấn bạn về quy trình của bạn hoặc buộc bản thân bảo vệ đầu ra trước một AI “người bênh vực cho quỷ” hoài nghi.

Trau Dồi Cả Kiến Thức Sâu Và Rộng. Phát triển chuyên môn sâu trong một lĩnh vực (giúp bạn phát hiện các lỗi “lởm chởm” của AI) kết hợp với kiến thức rộng, tổng quát (giúp bạn nhìn thấy các kết nối và cơ hội mới). Sự pha trộn này có tính đàn hồi cao.

Tiếp Cận AI Với Cả Sự Kính Sợ Và Hoài Nghi. Đừng chỉ cắm nó vào các quy trình làm việc cũ; hãy hỏi xem nó có thể cho phép những điều không thể nào. Nhưng luôn duy trì con người trong vòng lặp cho các quyết định lớn, đặt ra giới hạn nghiêm ngặt (như giới hạn chi tiêu) để quản lý rủi ro, vì AI có thể là một thực tập sinh quá nhiệt tình.

假若在AI時代最有價值的技能並非編程或創作，而是成為委派與工作設計的大師？這種從執行任務轉向協調任務的轉變，正是與密切關注AI快速演進的華頓商學院教授伊森·莫利克對話的核心。他描述AI發展已超越聊天機器人的初始「協同智能」階段，進入實用型AI代理的時代——這些系統能自主完成需時數小時的目標，從根本上重塑工作型態。這在軟體開發領域已顯現端倪：如今「黑暗工廠」能接收產品路線圖後，直接產出經過測試的程式碼，全程無需人類參與。變革更延伸至教育領域——莫利克的學生運用AI僅需數日便能創立功能性新創公司，而過去這過程需要整整一學期。貫穿全局的主題是：AI不僅能自動化任務，更會改變流程中的瓶頸，迫使我們重新評估哪些人類技能才是真正不可或缺的。

莫利克強調AI具備「鋸齒狀能力邊界」——它擅長某些任務卻在其他方面表現笨拙，這使得工作被逐步重塑而非整體消失。這意味著職位價值如今取決於人類在其中構成多少瓶頸。例如，AI能以驚人速度生成程式碼或草稿，但關鍵的人類技能轉向定義專案願景、設計工作流程，以及提供AI缺乏的細膩判斷與反饋。在教育場域，這將使課堂中的AI負責輔導與模擬，讓教師能專注於引導辯論、反思與複雜的觀念應用。

這場對話在驚嘆AI潛力與憂慮其社會漣漪效應間取得平衡。雖然個性化AI導師可能使精英教育民主化，但也威脅著傳統學徒制——初階員工原本透過執行任務來學習，而這些任務如今AI能做得更好。莫利克對科技史長河中的創職前景保持樂觀，但坦承轉型過程將充滿破壞性與陣痛。個人與組織面臨的挑戰在於：要避免僅為節省成本而自動化的「最小阻力路徑」，而應以AI擴展人類能力、開創更多可能性為目標。

顛覆性洞見

學徒制的危機：初階員工與實習生在職學習的傳統模式正在崩解。當AI能瞬間產出20份更佳的研究報告時，主管何須將任務分配給實習生？這切斷了培養深度專業技能的關鍵管道。

程式碼「黑暗工廠」興起：如StrongDM等公司已建立全自動化的「軟體黑暗工廠」——AI代理生成程式碼，其他AI代理扮演假客戶進行測試，最終產出功能性軟體，過程中無人編寫或審查任何一行程式。

「鋸齒邊界」決定職涯安全：AI不會直接消滅職位，而是轉化其中的特定任務。個人價值如今取決於核心技能是否位於AI尚難有效處理的「鋸齒」邊界，使自己成為不可或缺的瓶頸。

「工作淤泥」風險：組織的重大風險並非AI產出不足，而是過量——若缺乏清晰使用策略，海量AI生成的平庸內容（如千篇一律的簡報）將浪費更多時間，反而降低效率。

管理轉型為教學設計：管理AI代理如同首次進行外包，難點從執行工作轉為極精確地闡明意圖，並設計AI必須遵循的步驟序列與檢核點。

實踐啟示

聚焦定義「做什麼」，而非「怎麼做」：磨練撰寫精準專案概要、產品需求文件或行銷意圖的技能。你的角色愈發趨向成為提供目標與評量標準的「建築師」，指引AI執行者行動。

將AI用於封閉性任務，而非開放式創作：AI代理擅長執行定義明確的任務（如「分析這百份報告的共同主題」），但在真正開放、細膩的創造性工作上仍顯吃力，這仍是人類的強項。

刻意設計學習摩擦：若使用AI完成任務，必須建立獨立的反思步驟以鞏固學習——例如讓AI針對你的決策過程進行訪談，或強制自己為AI產出內容辯護，對抗由AI扮演的懷疑論「惡魔代言人」。

培育深度與廣度兼具的知識：在單一領域深耕（有助辨識AI的「鋸齒邊界」失誤），同時拓展廣泛通識（有助看見新連結與機會），這種複合型能力最具韌性。

以驚嘆與懷疑並存的態度運用AI：別只將AI插入舊工作流，應思考它能實現哪些過去不可能之事。但重大決策時務必保留「人類在迴路」機制，並設置嚴格限制（如支出上限）管控風險——AI可能像過度熱切的實習生般莽撞行事。

Et si la compétence la plus précieuse à l’ère de l’IA n’était pas la programmation ou la création, mais de devenir un maître de la délégation et de la conception du travail ? Ce passage de l’exécution des tâches à leur orchestration constitue le cœur d’une conversation avec le professeur Ethan Mollick de Wharton, qui suit l’évolution rapide de l’IA. Il décrit le dépassement de la phase initiale de « co-intelligence » des chatbots vers une ère d’agents IA pratiques – des systèmes capables d’accomplir de manière autonome des objectifs de plusieurs heures, remodelant fondamentalement le travail. Cela est déjà évident dans le développement logiciel, où des « dark factories » peuvent désormais prendre une feuille de route en entrée et produire du code testé sans qu’aucun humain ne l’ait jamais vu. La transformation s’étend à l’éducation, où les étudiants de Mollick utilisent l’IA pour lancer des startups fonctionnelles en seulement quelques jours, un processus qui prenait auparavant un semestre entier. Le thème central est que l’IA n’automatis pas seulement les tâches ; elle change les goulots d’étranglement de tout processus, forçant une réévaluation des compétences humaines qui sont vraiment indispensables.

Mollick souligne que l’IA possède une « frontière dentelée » (« jagged frontier ») – elle excelle dans certaines tâches tout en échouant dans d’autres, ce qui transforme les emplois par fragments plutôt que de les éliminer en bloc. Cela signifie que la valeur d’un rôle repose désormais sur le niveau de goulot d’étranglement que l’humain représente. Par exemple, si l’IA peut générer du code ou des ébauches avec une rapidité stupéfiante, les compétences humaines essentielles deviennent la définition de la vision du projet, la conception du flux de travail et l’apport du jugement nuancé et des commentaires que l’IA ne possède pas. En éducation, cela se traduit par une classe où l’IA gère le tutorat et les simulations, libérant les enseignants pour se concentrer sur la stimulation des débats, la réflexion et l’application complexe des idées.

La conversation trouve un équilibre entre l’admiration face au potentiel de l’IA et l’inquiétude quant à ses effets de ricochet sur la société. Alors que les tuteurs IA personnalisés pourraient démocratiser l’éducation d’élite, ils menacent également le modèle traditionnel d’apprentissage en entreprise où les employés juniors apprennent en réalisant des tâches que l’IA peut désormais accomplir mieux. Mollick est optimiste quant à la création d’emplois dans la longue trajectoire de l’histoire technologique mais lucide sur la transition disruptive et douloureuse qui nous attend. Le défi pour les individus et les organisations est d’éviter la voie de moindre résistance – automatiser simplement pour réduire les coûts – et viser plutôt à utiliser l’IA pour augmenter les capacités humaines et étendre ce qui est possible.

Étonnantes révélations

La menace pour l’apprentissage en entreprise : Le modèle traditionnel d’apprentissage sur le tas pour les juniors et les stagiaires s’effondre. Pourquoi un patron confierait-il un rapport de recherche à un stagiaire quand une IA peut produire instantanément 20 versions meilleures ? Cela rompt un pipeline crucial pour développer une expertise approfondie.

L’émergence des « dark factories » pour le code : Des entreprises comme StrongDM ont créé des « dark factories » logicielles entièrement automatisées où des agents IA génèrent du code, d’autres agents IA agissent comme de faux clients pour le tester, et un logiciel fonctionnel émerge sans qu’aucun humain n’écrive ou ne revoie une seule ligne.

La « frontière dentelée » de l’IA définit la sécurité de l’emploi : Un emploi n’est pas simplement automatisé ; au lieu de cela, l’IA transforme des tâches spécifiques à l’intérieur. Votre valeur dépend désormais de savoir si vos compétences principales se situent sur la partie « dentelée » de la frontière que l’IA ne peut pas encore gérer efficacement, vous faisant devenir un goulot d’étranglement nécessaire.

Le risque du « work slop » : Un risque organisationnel important n’est pas une sortie IA insuffisante, mais bien trop de sortie – un flux débordant de contenu médiocre généré par IA (comme mille PowerPoints génériques) qui fait perdre plus de temps qu’il n’en économise s’il n’y a pas de stratégie claire pour son utilisation.

La gestion devient conception pédagogique : Gérer des agents IA s’apparente à sous-traiter pour la première fois ; la partie difficile passe de l’exécution du travail à la spécification de l’intention avec une clarté extrême et à la conception de la série d’étapes et de vérifications que l’IA doit suivre.

Enseignements pratiques

Concentrez-vous sur la définition du « quoi », pas du « comment ». Perfectionnez l’art de rédiger des briefs de projet précis, des PRDs (documents de spécifications fonctionnelles) ou des intentions marketing. Votre rôle est de plus en plus d’être l’architecte qui fournit l’objectif et les critères d’évaluation pour les constructeurs IA.

Utilisez l’IA pour les tâches à objectif clos, pas pour la créativité ouverte. Les agents IA excellent dans l’exécution d’une tâche bien définie (par exemple, « analysez ces 100 rapports pour en extraire les thèmes communs »). Ils peinent davantage avec un travail créatif véritablement ouvert et nuancé, qui reste le domaine de prédilection des humains.

Concevez délibérément une friction pédagogique. Si vous utilisez l’IA pour accomplir une tâche, vous devez créer une étape de réflexion séparée pour consolider l’apprentissage – par exemple, en faisant interviewer votre processus par une IA ou en vous forçant à défendre le résultat face à une IA « avocat du diable » sceptique.

Cultivez une connaissance à la fois profonde et large. Développez une expertise approfondie dans un domaine (ce qui vous aide à repérer les erreurs « dentelées » de l’IA) combinée à une connaissance générale et étendue (qui vous aide à voir de nouvelles connexions et opportunités). Ce mélange est très résilient.

Abordes l’IA avec à la fois admiration et scepticisme. Ne vous contentez pas de l’intégrer dans d’anciens flux de travail ; demandez-vous quelles choses impossibles elle pourrait rendre possibles. Mais gardez toujours un humain dans la boucle pour les décisions majeures, en fixant des limites strictes (comme des plafonds de dépenses) pour gérer le risque, car l’IA peut se comporter comme un stagiaire trop zélé.

Was wäre, wenn die wertvollste Fähigkeit im Zeitalter der KI nicht das Programmieren oder Kreative wäre, sondern ein Meister der Delegation und Arbeitsgestaltung zu werden? Diese Verschiebung vom Ausführen von Aufgaben zu ihrer Orchestrierung bildet den Kern eines Gesprächs mit dem Wharton-Professor Ethan Mollick, der die rasanten Entwicklungen der KI verfolgt. Er beschreibt den Übergang über die initiale Phase der „Co-Intelligenz“ von Chatbots hin zu einer Ära praktischer KI-Agenten – Systeme, die autonom Ziele über mehrere Stunden hinweg erreichen können und die Arbeit grundlegend umgestalten. Dies wird bereits in der Softwareentwicklung deutlich, wo „Dark Factories“ nun eine Roadmap aufnehmen und getesteten Code ausspucken können, ohne dass ein Mensch jemals einen Blick darauf wirft. Die Transformation erstreckt sich auf die Bildung aus, wo Mollicks Studierende KI nutzen, um in nur wenigen Tagen funktionale Start-ups zu gründen – ein Prozess, der früher ein ganzes Semester in Anspruch nahm. Das übergreifende Thema ist, dass KI nicht einfach nur Aufgaben automatisiert; sie verändert die Engpässe in jedem Prozess und zwingt zu einer Neubewertung, welche menschlichen Fähigkeiten wirklich unverzichtbar sind.

Mollick betont, dass KI eine „jagged frontier“ (unebene Grenze) aufweist – sie brilliert bei einigen Aufgaben, während sie bei anderen scheitert, was Jobs stückweise verändert, anstatt sie gänzlich zu eliminieren. Das bedeutet, dass der Wert einer Rolle nun davon abhängt, inwiefern der Mensch einen Engpass darstellt. Während KI beispielsweise Code oder Entwürfe mit erstaunlicher Geschwindigkeit generieren kann, werden die entscheidenden menschlichen Fähigkeiten zur Definition der Projektvion, zum Design des Workflows und zur Bereitstellung der nuancierten Beurteilung und des Feedbacks, das KI nicht leisten kann. In der Bildung übersetzt sich dies in ein Klassenzimmer, in dem KI Tutoring und Simulationen übernimmt, wodurch Lehrkräfte sich auf die Förderung von Debatten, Reflexion und die komplexe Anwendung von Ideen konzentrieren können.

Das Gespräch findet ein Gleichgewicht zwischen Ehrfurcht vor dem Potenzial der KI und Besorgnis über ihre gesellschaftlichen Auswirkungen. Während personalisierte KI-Tutoren Elite-Bildung demokratisieren könnten, bedrohen sie auch das traditionelle Lehrlingsmodell, bei dem Nachwuchskräfte durch das Ausführen von Aufgaben lernen, die KI nun besser erledigen kann. Mollick ist bezüglich der Arbeitsplatzschaffung im langen Bogen der Technologiegeschichte optimistisch, aber er ist offen über den disruptiven und schmerzhaften Übergang, der bevorsteht. Die Herausforderung für Einzelpersonen und Organisationen besteht darin, den Weg des geringsten Widerstands zu vermeiden – das einfache Automatisieren zur Kosteneinsparung – und stattdessen darauf abzuzielen, KI einzusetzen, um menschliche Fähigkeiten zu erweitern und das Mögliche zu erweitern.

Überraschende Erkenntnisse

Die Gefahr für das Lehrlingswesen: Das traditionelle Modell des Lernens am Arbeitsplatz für Nachwuchskräfte und Praktikanten bricht zusammen. Warum sollte ein Vorgesetzter einem Praktikanten einen Recherchebericht zuweisen, wenn eine KI 20 bessere Entwürfe in Sekundenschnelle erstellen kann? Dies durchtrennt eine entscheidende Pipeline zur Entwicklung tiefer Expertise.
Der Aufstieg der „Dark Factory“ für Code: Unternehmen wie StrongDM haben voll automatisierte „Software-Dark-Factories“ geschaffen, in denen KI-Agenten Code generieren, andere KI-Agenten als falsche Kunden agieren, um ihn zu testen, und funktionsfähige Software entsteht, ohne dass ein Mensch jemals eine Zeile geschrieben oder geprüft hat.
KIs „jagged frontier“ definiert die Jobsicherheit: Ein Job wird nicht einfach automatisiert; stattdessen transformiert KI bestimmte Aufgaben darin. Ihr Wert hängt nun davon ab, ob Ihre Kernfähigkeiten auf dem „unebenen“ Teil der Grenze liegen, die KI noch nicht effektiv bewältigen kann und Sie damit zu einem notwendigen Engpass machen.
Das Risiko von „Work Slop“: Ein erhebliches organisationsweites Risiko ist nicht zu wenig KI-Output, sondern zu viel – eine überwältigende Flut an KI-generiertem, mittelmäßigem Content (wie tausende generische PowerPoints), die mehr Zeit verschwendet als spart, wenn keine klare Strategie für seine Nutzung besteht.
Management wird zum Didaktischen Design: Das Management von KI-Agenten wird mit Outsourcing verglichen; der schwierige Teil verschiebt sich vom Ausführen der Arbeit zur Spezifikation der Absicht mit äußerster Klarheit und dem Design der Reihe von Schritten und Kontrollen, die die KI befolgen muss.

Praktische Maßnahmen

Konzentrieren Sie sich auf die Definition des „Was“, nicht des „Wie“. Verfeinern Sie die Fähigkeit, präzise Projektbriefs, PRDs (Produktanforderungsdokumente) oder Marketingzielsetzungen zu verfassen. Ihre Rolle ist zunehmend die des Architekten, der das Ziel und die Bewertungskriterien für KI-Ersteller liefert.
Nutzen Sie KI für abgeschlossene Aufgaben, nicht für offene Kreativität. KI-Agenten brillieren bei der Ausführung einer klar definierten Aufgabe (z. B. „analysiere diese 100 Berichte auf gemeinsame Muster“). Sie kämpfen mehr mit wirklich offener, nuancierter kreativer Arbeit, die ein menschliches Vorzugsgebiet bleibt.
Gestalten Sie Lernreibung bewusst. Wenn Sie KI zum Erledigen einer Aufgabe nutzen, müssen Sie einen separaten, reflexiven Schritt einbauen, um das Lernen zu verankern – wie wenn eine KI Sie über Ihren Prozess interviewt oder wenn Sie sich zwingen, das Ergebnis gegenüber einem skeptischen KI-„Teufelsadvokat“ zu verteidigen.
Pflegen Sie sowohl tiefe als auch breite Kenntnisse. Entwickeln Sie tiefe Expertise in einer Domäne (was Ihnen hilft, KIs „jagged“ Fehler zu erkennen) kombiniert mit breitem, allgemeinem Wissen (was Ihnen hilft, neue Verbindungen und Chancen zu erkennen). Diese Mischung ist hochgradig resilient.
Gehen Sie mit Ehrfurcht und Skepsis an KI heran. Stecken Sie sie nicht einfach in alte Workflows; fragen Sie, welche unmöglichen Dinge sie ermöglichen könnte. Aber halten Sie immer einen Mensch-in-der-Schleife für wichtige Entscheidungen, setzen Sie strikte Grenzen (wie Ausgabenobergrenzen), um Risiken zu managen, da KI ein übermotivierter Praktikant sein kann.

Ethan Mollick, a Wharton professor and author of the Substack One Useful Thing, describes today’s AI systems as a “jagged frontier,” where AI outperforms humans in some tasks but falls short in others. This unevenness means the technology won’t replace all jobs, but it will reshape how we work and which skills matter most. In this episode, we discuss why management and delegation are becoming more valuable, how AI could disrupt the traditional career ladder, and how Mollick is using AI in his classroom to accelerate and deepen learning.

Learn more about your ad choices. Visit podcastchoices.com/adchoices