Karriereberatung für junge Menschen im Zeitalter der KI: Was weiterhin zählt, wenn Agenten programmieren können

Dieser Artikel erläutert, warum berufliches Wachstum im KI-Zeitalter weniger damit zu tun hat, einfach zugewiesene Probleme zu lösen, sonder...

Einleitung

Im KI-Zeitalter stehen junge Menschen vor einer anderen Karrierefrage als frühere Generationen: Wenn Modelle viele klar definierte Aufgaben lösen können, welche Arten von Arbeit werden dann noch wertvoll sein?

Dieser Artikel basiert auf einem Beitrag des ehemaligen OpenAI-, DeepMind- und Scale-AI-Forschers Phil Chen. Seine Aussage ist direkt: KI-Modelle werden extrem gut bei Aufgaben, die sich klar spezifizieren, bewerten und optimieren lassen. Ein großer Teil der schulischen Ausbildung sieht genau so aus — ein definiertes Problem, eine bekannte Antwort und eine Benotungsregel.

Die wertvolle Arbeit des nächsten Jahrzehnts wird daher möglicherweise nicht die Arbeit sein, die Hausaufgaben am ähnlichsten sieht. Oft wird es die Arbeit sein, die sich innerhalb einer Modell-Trainingsschleife nur schwer bewerten lässt: das richtige Problem auswählen, Beziehungen aufbauen, Urteilsvermögen entwickeln, die letzte Meile gehen und lernen, wie man Chancen in reale Ergebnisse verwandelt.

Unten steht die überarbeitete englische Version, die die ursprüngliche Struktur und die Hauptgedanken beibehält und die Sprache zugleich für die Veröffentlichung in einem Blog flüssiger macht.

Quellenhinweis

Ursprüngliche Quelle: BAAI-Hub-Artikel, in dem angegeben wird, dass der Inhalt ursprünglich von WeChat stammt.
Der Artikel wurde von 夏千斯 zusammengestellt.
Die Originalseite enthält ein dekoratives Banner mit dem Hinweis „wissenschaftlichen Schlagzeilen folgen“ sowie abschließende Plattform-/Werbebilder. Diese wurden nicht übernommen, da sie für das Verständnis des Artikels nicht notwendig sind.
Ein letzter Bildlink auf der Quellseite konnte bei der Prüfung nicht geladen werden und befindet sich offenbar außerhalb des Hauptteils des Artikels, daher wurde er nicht eingefügt.
Im ursprünglichen Artikel waren keine Codeblöcke oder technischen Tabellen enthalten.

Hauptartikel

KI-Modelle werden immer besser bei allem, was sich als Verlustfunktion ausdrücken lässt. Viele Schulaufgaben sind im Geiste ähnlich: Das Problem ist klar definiert, die Antwort ist bekannt, und das Ergebnis kann benotet werden.

Deshalb wird die wertvollste Arbeit im nächsten Jahrzehnt wahrscheinlich die Arbeit sein, die sich innerhalb eines Modell-Trainingszyklus nicht leicht bewerten lässt.

In den vergangenen sechs Jahren hat Phil Chen mit Menschen in sehr unterschiedlichen Unternehmensphasen gearbeitet: in seinem eigenen Start-up, bei Helm AI, Scale AI, OpenAI und Google. Diese Umgebungen reichten von kleinen Teams bis hin zu großen Organisationen mit mehr als 100.000 Mitarbeitenden.

Als Gründer, der ein agentennatives Unternehmen aufbaut, hat er viel Zeit damit verbracht, darüber nachzudenken, welche Art von Menschen ein Unternehmen heute braucht und welche Art von Talent es in Zukunft brauchen wird. Ein Unternehmen, das rund um Agenten aufgebaut ist, stellt nicht auf genau dieselbe Weise ein wie ein Unternehmen, dessen Output größtenteils noch davon abhängt, dass Menschen alles manuell schreiben.

Für ehrgeizige Menschen am Anfang ihrer Karriere verändert das den praktischen Rat. Einige klassische Ideen gelten weiterhin. Der alte Start-up-Spruch „Wenn du auf ein Raketenschiff aufspringst, dann“

„sich nicht allzu viele Sorgen um den genauen Platz zu machen“ enthält immer noch eine Wahrheit. Doch mit dem Aufstieg des agentischen Programmierens haben sich die Details verändert.

Konzentrieren Sie sich auf Ressourcen, die wirklich knapp sind

Bevor Phil zu Scale kam, hatte er ein Angebot für eine Tätigkeit im quantitativen Handel mit höherem Baranteil. Er entschied sich stattdessen für Scale, weil ihn die Menschen dort, die Community rund um das Unternehmen und die Möglichkeit, viele verschiedene Produkte und reale KI-Anwendungen kennenzulernen, stärker begeisterten.

Diese Entscheidung zahlte sich auf eine Weise aus, die damals nicht offensichtlich war. Durch Scale kam er mit Anbietern von LLM-Inferenz in Kontakt, was ihn später in Richtung DeepMind und OpenAI führte. Außerdem lernte er ambitionierte Kolleginnen und Kollegen kennen, die später Teil eines breiteren Gründer-Netzwerks wurden, das aus Scale hervorging.

Rückblickend waren die Beziehungen und Lernmöglichkeiten wertvoller als das zusätzliche Geld es gewesen wäre.

Kapital ist leichter zugänglich als je zuvor. Aber Zeit mit hervorragenden Menschen ist nach wie vor knapp. Das gilt auch für starke Beziehungen, Vertrauen und Reputation.

Nachgewiesene Exzellenz in relevanter Arbeit bleibt eines der stärksten Signale. Der praktische Rat ist einfach: Leisten Sie gute Arbeit und sorgen Sie dafür, dass andere hervorragende, vertrauenswürdige Menschen sie sehen können.

Gehen Sie sehr bewusst damit um, wie Sie Ihre Zeit einsetzen. Studienprojekte, Nebenprojekte, Praktika und erste Jobs sollten nicht nur als Punkte im Lebenslauf abgehakt werden. Sie sollten auf Probleme ausgerichtet sein, die Ihnen wichtig sind.

Mit Vibe Coding und KI-gestütztem Entwickeln ist es leichter denn je, kleine Projekte zu veröffentlichen und kurzfristigen Chancen nachzujagen. Manche dieser Chancen bringen möglicherweise schnell Geld. Doch wenn das Ziel nachhaltiger Wert ist, ist es in der Regel besser, Zeit dort zu investieren, wo sich Lernen, Beziehungen und Reputation kumulativ aufbauen.

Zeit, Beziehungen und Reputation sind die wirklich knappen Ressourcen. Behandeln Sie sie auch so.

Lernen Sie, Probleme zu finden, nicht nur zu lösen

Ein Unternehmen, das von Grund auf mit Agenten arbeitet, muss neu darüber nachdenken, was technische Fähigkeiten eigentlich bedeuten.

Wenn Code nicht mehr hauptsächlich Zeile für Zeile von Hand geschrieben wird, werden traditionelle Signale schwächer. Rätsel im LeetCode-Stil und selbst viele Standardfragen zum Systemdesign zeigen nicht immer, wie jemand im realen Umfeld tatsächlich arbeitet.

Die wichtigere Frage lautet dann: Kann diese Person die Umgebung schnell verstehen, erkennen, was tatsächlich behoben werden sollte, und das Problem unter realen Einschränkungen lösen?

In Zukunft werden die wichtigsten Fähigkeiten mit der Auswahl von Problemen und der Zuweisung von Ressourcen zusammenhängen.

Agenten sind bereits stark darin, komplexe Probleme zu bearbeiten, die klar definiert sind. Den größten Einfluss werden diejenigen haben, die wichtige Probleme erkennen und dann Zeit, Aufmerksamkeit, Token, Rechenleistung und Menschen gezielt zu deren Lösung einsetzen können.

Viele Studierende fühlen sich entmutigt, wenn ein Agent ihre Aufgaben lösen kann. Aber starke Kandidatinnen und Kandidaten unterscheiden sich weiterhin stark darin, wie effizient sie zu einer guten Lösung gelangen. Die besten Menschen bringen in der Zusammenarbeit mit dem Agenten in der Regel Intuition auf hoher Ebene, Domänenwissen und Kontext ein.

In der Praxis sind die Kandidatinnen und Kandidaten mit dem stärksten Signal oft tief in reale Problemlösungsumgebungen eingebunden. Manchmal entsteht das durch ernsthafte persönliche Projekte. Manchmal kommt es aus schnell wachsenden Unternehmen, in denen es

weitaus wichtiger als die Zahl der Menschen, die zu ihrer Lösung zur Verfügung stehen.

Wähle die Probleme, an denen es sich am meisten zu arbeiten lohnt

Eines der nützlichsten Denkmodelle in der KI-Forschung ist „The Bitter Lesson“. Die Kernaussage ist, dass sich auf lange Sicht allgemeine Methoden, die mit Rechenleistung skalieren, gegenüber handentwickelten, aufgabenspezifischen Ansätzen durchsetzen.

Diese Erkenntnis gilt auch für die Karriere- und Unternehmenswahl.

Unternehmensergebnisse und Karriereverläufe folgten schon immer Potenzgesetzen. KI beschleunigt diese Dynamik, weil das Entwickeln von Software viel einfacher geworden ist. Viele Menschen können heute schnell einfache Systeme bauen. Das bedeutet, dass nachhaltiger Wert weniger daraus entstehen wird, einfach nur etwas zu bauen, sondern vielmehr aus einer intensiven Fokussierung auf wirklich ambitionierte Probleme.

Bei der Wahl eines Unternehmens lautet die Frage nicht nur, ob das Unternehmen im Moment spannend wirkt. Frage dich, ob es an einem Problem arbeitet, das groß genug ist, um wirklich relevant zu sein, und ob es einen realen Weg hat, dieses Problem zu lösen.

Bei der Wahl einer Rolle solltest du dich fragen, ob diese Rolle dich nahe an die vorderste Front des Problems bringt, das das Unternehmen zu lösen versucht.

Eine gute Rolle sollte dir Nähe zu den wichtigen Entscheidungen, Abwägungen und Rahmenbedingungen verschaffen. Dort kumuliert Lernen.

Sprinte durch die letzte Meile

Für Start-ups hat Alfred Lin über die letzten 10 % geschrieben: Die letzten 10 % können 90 % der Arbeit ausmachen, aber auch 90 % der Belohnung.

KI sorgt dafür, dass sich die Qualität von Ergebnissen stärker polarisiert. Durchschnittliche Arbeit lässt sich immer leichter produzieren, weil ein Agent plus ein grober Prompt bereits etwas Brauchbares erzeugen kann. Das heißt, echte Differenzierung entsteht durch einzigartigen Geschmack, tiefes Verständnis eines Problems und ernsthafte Liebe zum Detail.

Auf der letzten Meile zeigt sich dieser Unterschied.

Die letzten Details richtig hinzubekommen, erfordert Übung. Nichts ist beim ersten Versuch perfekt, daher bedeutet die letzte Meile meist Iteration: verfeinern, testen, neu aufbauen, vereinfachen und verbessern.

Weil sich Coding-Agenten schnell verbessern, ist der beste Weg nicht immer, dieselbe Version endlos weiterzuflicken. Manchmal ist es besser, die Erkenntnisse aus einer Iteration aufzunehmen und dann mit einem neueren Modell oder einer saubereren Architektur noch einmal von vorn zu beginnen.

Du kannst das an deinen eigenen Projekten üben. Investiere zusätzliche Zeit in die Verbesserung der Architektur. Denke an Skalierbarkeit. Bringe Kreativität ein, statt bei „es funktioniert“ stehenzubleiben. Kleine Projekte werden deutlich wertvoller, wenn sie Urteilsvermögen und saubere Fertigstellung zeigen, nicht nur Geschwindigkeit.

Use We0 AI

Erstelle in Minuten eine Showcase-Website und gewinne Leads

Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.

Ohne Titel-1

Layout

Füllen

Radius

Generieren

Verbessere sowohl xG als auch die Conversion-Effizienz

Im Fußball steht xG für „expected goals“. Es schätzt, wie viele Tore eine Mannschaft aufgrund der Qualität ihrer Chancen erzielen sollte, unter Einbeziehung von Faktoren wie Distanz, Winkel und Position des Torwarts.

Das ist eine nützliche Analogie für die Karriere.

Manche Karriereschritte erhöhen dein xG: Sie bringen dich in eine Position, in der großartige Chancen mit höherer Wahrscheinlichkeit auftauchen. Aber die Qualität der Chancen ist nur die halbe Gleichung. Du brauchst auch Conversion-Effizienz – die Fähigkeit, diese Chancen in reale Ergebnisse umzuwandeln.

Phil erzählte, dass er 2023 Angebote von Anthropic und Cursor ablehnte und sich stattdessen dafür entschied, bei DeepMind an Inferenz und Training von Frontier-Modellen zu arbeiten. 2024 ließ er diese beiden Möglichkeiten erneut verstreichen und entschied sich für OpenAI, weil es besser zu seinen Interessen, seiner Kultur und

Ziele zu jener Zeit.

Aus Karrieresicht hatten diese alternativen Möglichkeiten einen hohen xG-Wert. Aber die beste Wahl hängt von deiner persönlichen Richtung, vom Team, vom Markt und davon ab, was du lernen möchtest.

Eine Karriere ist lang. Chancen kommen und gehen. Das Ziel ist nicht, zu allem Ja zu sagen, was beeindruckend aussieht. Das Ziel ist, sich an Orten zu positionieren, an denen sinnvolle Chancen einen erreichen können — und dann bessere Entscheidungen zu treffen, wenn sie es tun.

Reputation und Fachkompetenz sind weiterhin wichtig. Manche Chancen ergeben sich, weil Menschen deiner Arbeit bereits vertrauen. Andere entstehen, weil du dich intensiv mit Problemen beschäftigt hast, die für bestimmte Teams relevant sind.

Irgendwann geht es im Leben nicht nur darum, Chancen zu erkennen. Es geht darum, sie zu nutzen. Das bedeutet, genügend Informationen zu sammeln, bessere Fragen zu stellen und Entscheidungen mit mehr Kontext zu treffen.

Für Unternehmen in der Frühphase sind die wichtigsten Faktoren in der Regel das Team und der Markt. Viele Kandidaten konzentrieren sich zu sehr auf das aktuelle Produkt. Aber wenn das Team außergewöhnlich ist, wird sich das Produkt im Laufe der Zeit oft zu etwas deutlich Besserem entwickeln.

Du kannst schon jetzt mit Forschung anfangen

Viele Menschen fragen, wie man in die KI-Forschung einsteigen kann. Ein sinnvoller Ausgangspunkt ist, nicht auf Erlaubnis zu warten.

Man braucht nicht immer Rechenleistung im Maßstab eines Frontier-Labs, um anzufangen. Ein starker Einstieg besteht darin, bestehende Modelle zu nutzen und die eigenen Intuitionen in Evaluierungen zu überführen. Wenn du denkst, dass ein Modell bei einer bestimmten Art von Schlussfolgern, Workflow oder Aufgabe versagt, entwirf eine einfache Evaluation, die genau das erfasst.

Öffentliche Optimierungs-Leaderboards und offene Forschungsgemeinschaften können das Erkunden ebenfalls strukturierter machen. Sie geben Menschen eine Möglichkeit, Ideen zu testen, Ansätze zu vergleichen und aus Misserfolgen zu lernen.

Rechenleistung hilft natürlich. Aber Forschung beginnt schon vor massiver Rechenleistung. Sie beginnt mit Neugier, sorgfältigen Experimenten und der Gewohnheit, zu fragen, warum etwas funktioniert oder scheitert.

Viele Ideen werden beim Skalieren scheitern. Das ist normal. Zu verstehen, warum sie scheitern, ist der Weg, ein Gespür dafür zu entwickeln, was tatsächlich funktioniert.

Letztlich ist es nicht nur eine Berufsbezeichnung, Forscher zu sein. Es ist eine Denkweise.

In Frontier-Labs verbindet Forschung oft mehrere Dinge:

Neugier, die stark genug ist, neue Ideen zu erforschen.
Die Bereitschaft, sich mit der Infrastruktur auseinanderzusetzen, bis die Idee tatsächlich läuft.
Ein detailliertes Systemverständnis, damit Probleme effizient debuggt werden können.
Klare Kommunikation darüber, warum das Ergebnis wichtig ist, damit das Team mehr Rechenleistung und Aufmerksamkeit rechtfertigen kann.

Du kannst diese Dinge üben, auch wenn du nicht in einem Frontier-Lab arbeitest.

Die Welt bietet noch immer viele offene Möglichkeiten. Der Schlüssel ist, nach interessanten Problemen zu suchen und dann Arbeit abzuliefern, die klar über dem Standardniveau liegt.

FAQ

Was ist der wichtigste Karriereratschlag für junge Menschen im KI-Zeitalter?

Der zentrale Rat ist, sich auf Arbeit zu konzentrieren, die für KI-Systeme schwer direkt zu bewerten oder zu automatisieren ist. Dazu gehört, wichtige Probleme auszuwählen, vertrauensvolle Beziehungen aufzubauen, Urteilsvermögen zu entwickeln und die letzten Details gut umzusetzen.

Warum wird das Finden von Problemen wichtiger, je besser KI-Agenten werden?

KI-Agenten werden immer stärker darin, klar definierte Aufgaben zu lösen. Dadurch wird die Fähigkeit, das richtige Problem zu identifizieren, wertvoller. Die besten Menschen werden wissen, was es verdient

Aufmerksamkeit, bevor sie einen Agenten bitten, es zu lösen.

Ist Programmieren noch nützlich, wenn agentisches Programmieren sich ständig verbessert?

Ja, aber der Wert verschiebt sich. Anstatt nur manuell Code zu schreiben, müssen Entwickler Systeme verstehen, Agenten anleiten, Ergebnisse debuggen, bessere Architekturen entwerfen und entscheiden, was überhaupt gebaut werden sollte.

Was bedeutet „knappe Ressourcen“ in diesem beruflichen Kontext?

Knappe Ressourcen umfassen Zeit, Beziehungen, Reputation und den Zugang zu exzellenten Menschen. Geld und grundlegende Werkzeuge könnten leichter zugänglich werden, aber vertrauenswürdige Netzwerke und nachgewiesene Exzellenz entfalten im Laufe der Zeit weiterhin eine verstärkende Wirkung.

Was ist die „letzte Meile“ in der Arbeit im KI-Zeitalter?

Die letzte Meile ist die abschließende Phase, in der aus durchschnittlichen Ergebnissen hervorragende Ergebnisse werden. Dazu gehören Testen, Verfeinern, Vereinfachen, das Verbessern der Architektur und das Hinzufügen von Urteilsvermögen, das einem groben, KI-generierten Ergebnis normalerweise fehlt.

Können Studierende mit KI-Forschung beginnen, ohne sich einem Frontier-Labor anzuschließen?

Ja. Studierende können beginnen, indem sie bestehende Modelle nutzen, kleine Evaluierungen erstellen, Hypothesen testen und an offenen Benchmarks oder Ranglisten teilnehmen. Forschung beginnt mit Neugier und sorgfältigen Experimenten, nicht nur mit einer Berufsbezeichnung oder großem Rechenbudget.

Wie sollte man ein KI-Unternehmen in der Frühphase auswählen?

Achte auf das Team, den Markt und den Anspruch des Problems. Das aktuelle Produkt ist wichtig, aber starke Teams verändern und verbessern Produkte oft im Laufe der Zeit. Eine gute Rolle sollte dich außerdem in die Nähe des wichtigsten Problems des Unternehmens bringen.

Zusammenfassung

Dieser Artikel erklärt, warum berufliches Wachstum im KI-Zeitalter weniger damit zu tun hat, einfach zugewiesene Probleme zu lösen, sondern vielmehr damit, wichtige Probleme zu erkennen, ambitionierte Umfelder zu wählen und sich eine Art von Reputation aufzubauen, die hochwertige Chancen eröffnet.

Außerdem betont er, dass agentisches Programmieren den Wert technischer Arbeit verändert. Durchschnittliche Ergebnisse lassen sich leichter erzeugen, daher werden Urteilsvermögen, Gespür für Qualität, Systemverständnis und die Umsetzung auf den letzten Metern wichtiger.

Für junge Menschen, die in die KI einsteigen, ist der praktische Weg klar: Zeit mit exzellenten Menschen verbringen, an bedeutungsvollen Problemen arbeiten, gründliche Umsetzung üben und durch kleine Experimente und Evaluierungen mit Forschung beginnen.

Im Zeitalter der KI liegt der Vorteil bei denjenigen, die die richtigen Probleme auswählen und Arbeit liefern können, die über das Übliche hinausgeht.