George Leimer sagte, er habe das Bild sofort erkannt.

Während eines kürzlichen Gesprächs mit dem Produktchef von Yahoo Finance zeigte eine Folie zwei Hamburger nebeneinander als Metapher für Arbeit vor und nach künstlicher Intelligenz. Leimer beugte sich zum Bildschirm und sagte: „It’s totally that.“

Die Folie stammte von Arvind Narayanan, einem Informatiker der Princeton University, der kürzlich eine Keynote auf der International Conference on Machine Learning in Seoul hielt. In Narayanans Darstellung hat der Burger mit der Beschriftung „Traditional“ eine dicke Frikadelle, die die Ausführungsebene der Arbeit darstellt — Codierung, Debugging und die eigentliche Erledigung der Aufgabe — zwischen relativ kleinen Brötchenhälften. Der Burger mit der Beschriftung „With AI“ zeigt die Frikadelle auf eine dünne Schicht reduziert, während die obere Brötchenhälfte mit der Beschriftung „decide“ und die untere mit der Beschriftung „deliver“ deutlich größer geworden sind.

Die Metapher beschreibt einen Wandel in der Wissensarbeit. Die Kernaufgabe, einst der größte Teil der Arbeit, wird durch KI komprimiert. Doch die menschliche Arbeit oberhalb und unterhalb dieser Ausführungsebene verschwindet nicht. Stattdessen wächst die Arbeit daran, zu entscheiden, was gebaut werden soll, sowie es zu validieren, zu integrieren und auszuliefern. In Leimers Worten wird Arbeit zunehmend zu einem Gespräch über Arbeit.

„We come in and talk to each other and we make sure that we really have real confirmation and conviction about, like, these are the things we’re going to do. And this is how we’re going to unleash the agents,“ sagte Leimer.

Leimers Team leitete die Entwicklung von AlphaSpace, einem neuen Anlageprodukt, das etwa zwei Monate am Markt war, als Fortune erstmals darüber berichtete. In diesem Zeitraum lieferte das Team mehr als 100 neue Funktionen aus — ein Tempo, das laut Leimer zeigt, wie stark sich die Ausführungsebene beschleunigt hat. Nutzer verbringen in AlphaSpace 3x mehr Zeit als der durchschnittliche Yahoo-Finance-Nutzer, sagte er Fortune, und das Team konnte schnell auf Feedback reagieren, unter anderem durch die Ergänzung von Echtzeit-Optionsdaten über eine Partnerschaft mit Unusual Whales.

Leimer sagte, Sprints, die früher zwei Wochen dauerten, liefen nun über 24 Stunden: Planung am Morgen, Auslieferung bis Tagesende und Überprüfung der Arbeit am Abend. In einem Fall kam Nutzerfeedback an einem Freitag um 4:45 p.m. an; bis 8:30 desselben Abends war das Problem behoben, geprüft und bereitgestellt.

In Softwareteams verändert ein solcher Zyklus die Bedeutung eines agilen Sprints. Wenn KI-Tools die Umsetzung beschleunigen, wird nicht nur Engineering-Zeit zur knappen Ressource, sondern auch die Fähigkeit des Teams, das richtige Problem auszuwählen, das Ergebnis zu prüfen und zu entscheiden, ob es sicher und nützlich genug für die Auslieferung ist.

„In the old days“, sagte Leimer, „that would have been, ‘We can’t launch it next week.’“

Das Decide-Execute-Deliver-Sandwich

Narayanan nennt den Rahmen das „Decide-Execute-Deliver-Sandwich“. Aus seiner Sicht besteht die meiste Wissensarbeit aus drei Ebenen. Die obere Ebene ist die Entscheidung darüber, was gebaut werden muss und warum. Die mittlere Ebene ist die Ausführung, also die eigentliche Umsetzung. Die untere Ebene ist die Auslieferung, zu der Integration, Tests, Verifizierung und langfristige Verantwortlichkeit gehören.

KI-Agenten komprimieren die mittlere Ebene. Narayanans Argument lautet, dass die Ausführungsebene ohnehin nur etwa ein Drittel der gesamten Arbeit ausmachte. Die beiden äußeren Ebenen bleiben nicht nur bestehen; sie wachsen.

„The first and third layers are arguably expanding as AI compresses the middle layer“, sagte Narayanan dem ICML-Publikum. Sobald Bauen billiger und schneller wird, fällt es leichter, Projekte zu starten, aber schwerer, mit der Entscheidung Schritt zu halten, welche Projekte wichtig sind, und zu überprüfen, ob das Produzierte verlässlich ist.

Wenn KI technische Hürden senkt, beginnen Rollen zu verschwimmen

Jahrelang waren Produktteams in großen Technologieunternehmen oft danach organisiert, was die einzelnen Personen nicht tun konnten. Designer erstellten statische Mockups und warteten darauf, dass Ingenieure sie in funktionierenden Code übersetzten. Produktmanager schrieben Anforderungen, brauchten aber Entwickler, um zu testen, ob eine Idee funktionieren könnte. Analysten verstanden Daten, bauten aber keine Produktionssysteme.

Yahoo-Teams sagen, diese Grenzen würden weniger starr, da KI immer mehr der „Syntax“ automatisiert, die am Bau von Software beteiligt ist.

Im Team hinter Yahoo Scout, der KI-Antwortmaschine des Unternehmens, begann der leitende Produktdesigner Nick Lockington, Google’s Vertex AI direkt zu prompten und sie zu bitten, strukturierte JSON-Logik für neue Funktionen zu generieren. Ein Ingenieur merkte später an, Lockington habe durch Prompting faktisch eine funktionale API erstellt und damit die traditionelle Bauphase umgangen.

„It was a total ‘aha’ moment“, sagte David Grandinetti, ein Distinguished Software Apps Engineer des Projekts, auf Yahoos Blog. „Nick became immediately the most leveraged engineer on our team, because he was working at the highest level of abstraction.“

Andere Teammitglieder schlugen ähnliche Wege ein. Ein Designer, der sehr viele Code-Commits beisteuerte, wurde intern als „Design Engineer“ beschrieben. Ein Ingenieur mit ausgeprägtem Blick für Benutzerfreundlichkeit wurde als „Engineering Designer“ bezeichnet.

Yahoo-Führungskräfte sagen, es gehe nicht darum, dass Jobtitel verschwinden. Vielmehr würden Rollen zunehmend durch die Entscheidungen definiert, für die Menschen verantwortlich sind, nicht nur durch den Code, den sie manuell erzeugen können. Designer treffen weiterhin Urteile über Nutzerverhalten und Ästhetik. Ingenieure verantworten weiterhin Architektur und Sicherheit. Doch beide Gruppen können nun direkt mit KI-Tools bauen und iterieren.

„This is about increasing decision velocity and cutting the cost of experimentation, so teams can test a hundred ideas instead of five and quickly discard failures without the traditional burden of technical debt“, sagte Stephane Koenig, Vice President bei Yahoo. „It allows us to reserve human expertise for the hardest decisions where you need context AI doesn’t have.“

Leimer machte in seinem Gespräch mit Fortune einen ähnlichen Punkt: Arbeit sei heute weitgehend ein Gespräch über Arbeit. „We come in and talk to each other and we make sure that we really have real confirmation and conviction about like, these are the things we’re going to do“, sagte er.

Das Risiko, fügte Leimer hinzu, bestehe darin, dass Teams nun auf der oberen Arbeitsebene besonders „really thoughtful“ sein müssten, weil KI es leicht mache, „just build whatever you want“.

Leimer verwies auf einen Rat seines Managers, Yahoo Media Group President Ryan Spoon: „It’s important that you’re really convicted about what you build“, weil Teams nahezu alles fast sofort bauen könnten. Früher, sagte er, hätten Organisationen viel Zeit auf die obere Brötchenhälfte verwendet, weil Engineering-Ressourcen knapp waren. „You didn’t want to waste one second of an engineer’s time.“ Heute bestehe das Risiko darin, unnötige Dinge sofort zu bauen — ein Muster, das Kate Smaje, globale Technologie- und KI-Leiterin von McKinsey, gegenüber Fortune zuvor als „False-Productivity“-Falle beschrieben hatte.

Leimer sagte, wenn er schlampige KI-generierte Arbeit in der Welt sehe — oft als „AI slop“ bezeichnet —, spiegele das wider, „where there’s a really skinny bun, basically.“ In solchen Fällen seien Menschen nicht sorgfältig genug mit dem gewesen, was sie als Arbeitsergebnis veröffentlichen, weil der Ausführungsteil des Hamburgers fast auf nichts komprimiert worden sei.

Diese Dynamik verursacht messbare Kosten. Fachleute verwenden inzwischen den Begriff „workslop“, um KI-generierte E-Mails oder Arbeitsergebnisse zu beschreiben, die ohne angemessene Überprüfung zur Durchsicht verschickt werden. Experten, die in der Harvard Business Review schreiben, haben argumentiert, das Problem sei nicht nur ärgerlich, sondern produktivitätszerstörend. Das Stanford Social Media Lab schätzte die Kosten laut einem von Techdirt zitierten Bericht auf $9 million pro Jahr für ein Unternehmen mit 10,000 Beschäftigten.

Diese Sorge ist besonders relevant, wenn Unternehmen von KI-Demos zu alltäglichen Arbeitsabläufen übergehen. Ein Entwurf, Prototyp oder eine generierte Funktion kann fertig wirken, bevor er oder sie gegen Nutzerbedürfnisse, Sicherheitsanforderungen, Datengenauigkeit und die eigenen Standards der Organisation geprüft wurde.

Entscheidungsmüdigkeit wird zu einer neuen Begrenzung

Zusammengenommen stützen diese Beispiele Narayanans Ansicht, dass KI derzeit eher eine Kollaborationstechnologie als eine vollständige Automatisierungsmaschine ist. Er argumentiert, dass die meisten KI-Agenten in Umgebungen mit hohen Anforderungen weiterhin Probleme mit der Zuverlässigkeit haben, was Unternehmen dazu veranlasst, Human-in-the-Loop-Systeme statt vollständig automatisierter Prozesse zu bevorzugen.

Bei Yahoo sagen Führungskräfte, das Ergebnis zeige sich eher als Entscheidungsmüdigkeit denn als unmittelbarer Arbeitsplatzverlust. Weil KI Teams in die Lage versetzt, deutlich mehr Funktionen zu testen und zu bauen, wird die Engstelle zur Anzahl der Entscheidungen, die Produktmanager, Designer und Ingenieure sorgfältig treffen, prüfen und bis zum Abschluss begleiten können.

Lockington sagte, KI beseitige nicht die Komplexität überlappender Rollen am Arbeitsplatz. „Traditionally, you might have someone ask, ‘Why is this engineer doing design work?’ or ‘Why is this designer doing my job?’“, sagte er. Er schrieb Koenig zu, die psychologische Sicherheit geschaffen zu haben, die das Team brauchte, um diese Fragen zu bewältigen. „We’ve been able to break that down.“

Leimer sagte, sobald diese Sicherheit vorhanden sei, werde die Arbeit „really fun“. Nach rund 20 Jahren im Management, die ihn von der Bau- und Codierarbeit entfernt hatten, mit der er begonnen hatte, habe der Wandel verändert, wie Menschen Produktentwicklung erleben. „Now, everybody’s got the cool job“, sagte er, weil jeder das Gefühl haben könne, direkt zum Bauen beizutragen. „It’s also been fun watching people get energized around the problem and the thing they’re building as opposed to spending more of their time on the process to get it built.“

Die Zukunft des Hamburgers — und der Fall für Pizza

Narayanan warnt davor anzunehmen, dass Jobs unverändert bleiben werden. Er hat gesagt, er erwarte Jahrzehnte struktureller Anpassung, während Unternehmen sich rund um KI neu organisieren, und vergleicht dies mit dem 40-jährigen Übergang, den Fabriken durchliefen, nachdem Elektrizität Fließbänder ermöglichte.

Bislang zeigt sich jedoch in Bereichen wie Software, Recht, Medizin und Content-Übersetzung das Muster, dass sich die Nachfrage nach menschlicher Arbeit verschiebt und wächst, während KI sich ausbreitet. Radiologen haben KI eingeführt, während die Beschäftigung gestiegen ist. Anwälte reichen mehr Klagen ein, weil das Verfassen leichter ist. Übersetzer haben auch Jahre, nachdem maschinelle Übersetzung menschlicher Parität nahekam, weiterhin stabile Arbeit, weil es keine feste Obergrenze dafür gibt, was übersetzt werden kann oder in wie viele Sprachen.

Yahoos Erfahrung deutet darauf hin, dass Büro- und Wissensarbeit einem ähnlichen, wenn auch unübersichtlicheren Weg folgen könnte. Wenn technische Hürden sinken, sagen Führungskräfte des Unternehmens, würden Eigeninitiative und Urteilsvermögen zu wichtigeren Unterscheidungsmerkmalen: nicht wer Code schreiben kann, sondern wer entscheiden kann, welche Probleme lösenswert sind und wie zu überprüfen ist, was KI produziert.

Leimer wurde gebeten, die Essensmetapher weiterzuführen, einschließlich eines Verweises auf seine Wurzeln in Philadelphia und das berühmte Cheesesteak der Stadt. Wenn das prägende Merkmal eines Cheesesteaks nicht nur das Fleisch, sondern das italienische Hoagie-Brot ist, lautete die Frage, ob das auch für die Zukunft der Arbeit gilt.

Leimer sagte, der größere Engpass sei die „bottom bun“, also die Auslieferungsebene. Nachdem ein Team entschieden habe, was zu tun ist, könne die Arbeit fast sofort produziert werden, doch die Auslieferung bleibe schwierig. „You’ve got to work through all the other stuff, you’ve got to review it“, sagte er und verwies auf Sicherheitsrisiken und die Notwendigkeit, eine Deployment-Pipeline aufzubauen, selbst wenn die Arbeit so wirke, als sei sie per Knopfdruck veröffentlichungsbereit.

Bei Produkten, die mit Finanzinformationen verbunden sind, kann diese Auslieferungsebene neben Softwarebereitstellung auch Datenqualität, Berechtigungen, Zuverlässigkeit und Nutzervertrauen umfassen. Diese Prüfungen verschwinden nicht, nur weil Code oder Oberfläche schneller generiert werden können.

Auf die Frage, ob das Ziel eher einer Pizza oder einem Fladenbrot ähnle — bei dem menschliche Arbeit auf Entscheidungen konzentriert ist, Aufgaben auf die Größe von Belägen schrumpfen und die Auslieferung nahtlos wird — lachte Leimer und sagte: „Something like that.“

In Narayanans Hamburger-Metapher hat KI die Frikadelle bereits dünner gemacht. In den wachsenden Brötchenhälften liegen nun die Jobs, Verantwortlichkeiten und Risiken. Ob Unternehmen Arbeit in etwas Flacheres und Nachhaltigeres umgestalten können, bleibt eine offene Frage für die kommenden Jahre und vielleicht Jahrzehnte.

Diese Geschichte erschien ursprünglich auf Fortune.com.