Der Schuster
Was Fabrikschuhe über die Zukunft der Wissensarbeit verraten
„Die Plateauschuhe waren der Tod der Schuster. Die kann man nicht einmal reparieren.“
Das hat mir meine Mutter erzählt, eine pensionierte Volksschuldirektorin, die sich an die Werkstatt ihres Vaters besser erinnert als ich. Mein Großvater, Johann Geyer, kam aus Niederschleinz, einem kleinen Weinviertler Dorf im Bezirk Hollabrunn. Bis 1970 war Niederschleinz eine eigenständige Gemeinde, ein typisches Handwerkerdorf mit Fleischern, Schmieden, Schneiderinnen, Tischlern und Schustern. Wie alle erstgeborenen Söhne seit Generationen wurde mein Großvater Johann genannt, und wie alle erstgeborenen Söhne wurde er Schuster. Sonst wäre er, wie sein Bruder, Lehrer geworden, aber diese Wahlmöglichkeit hatte er nicht.
Jahrgang 1920, das bedeutete Krieg. Mein Großvater kam nach Stalingrad, und von dort in Gefangenschaft. Was dann passierte, war statistisch das Unwahrscheinlichste, das ihm hätte passieren können. Er überlebte den Marsch in die Gefangenschaft und die Gefangenschaft selbst. Was das statistisch bedeutet, habe ich Jahrzehnte später für meinen Sohn, seinen Urenkel, in einerVisualisierung darstellen lassen. Mein Großvater war damals ein junger Mann, aber vor allem war er Schuster. Während die anderen bei tiefsten Minusgraden draußen arbeiten mussten, konnte er in einer Werkstatt die Schuhe der Wärter reparieren. Nicht, weil er ein Lehrbuch über Schuhreparatur gelesen hatte, sondern weil seine Hände es wussten. Michael Polanyi nannte das später „tacit knowledge”, also implizites Wissen, das man nur durch Tun erwirbt und nicht in Worte fassen kann. Dieses Wissen hat meinem Großvater wahrscheinlich das Leben gerettet. Er wurde erst spät entlassen und hatte Angst, als gefragte Fachkraft überhaupt zurückkommen zu können. Als er schließlich zurückkehrte, weigerte er sich sein ganzes Leben lang, über die Zeit in Russland zu sprechen.
Zurück in Österreich, hat er meine Großmutter Anna-Maria kennengelernt, die Leiterin des örtlichen Kindergartens in Straning, einem Nachbardorf, nur sechs Kilometer entfernt, direkt an der Grenze des Weinviertels zum Waldviertel. Die beiden Orte waren sogar bis 1894 in derselben Pfarre verbunden. Sie haben in Straning ein Haus mit einer neuen Schusterwerkstatt gebaut, der Großvater hat die Meisterprüfung gemacht. Viele Jahre ging das gut. Dann kamen die Fabrikschuhe, günstiger als Handgemachtes. Der Großvater reparierte fortan vor allem. Dann die Plateauschuhe Anfang der Siebziger. Er überlegte, aufzugeben und in einer Schuhfabrik arbeiten zu gehen. Er hat es nicht gemacht. Zum Glück hatte er eine Frau, die auch arbeiten ging. Irgendwann wurde es wieder ein klein wenig besser, Arbeitsschuhe vor allem. Aber bis zur Pension hatte er nicht mehr genug zu tun. Einen Lehrling hätte er nicht mehr gebraucht.
Als ich, Jahrgang 1978, die Werkstatt als Kind sah, war sie schon lange nicht mehr in Betrieb. Aber der Geruch war noch da. Durchdringend. Unvergesslich. Der Leim, den man zum Zusammenkleben der Schuhe brauchte. Selbst wenn man die Werkstatt nur kurz öffnete, schlug er einem entgegen. Und überall standen Regale voller Leisten. Hunderte davon. Für jeden Kunden, für jeden Fuß, hatte man einen eigenen Leisten gebraucht. Regale voller Leisten, die niemand mehr brauchte, weil sich die Leute keine neuen Schuhe mehr machen ließen.
Viel Zeit hatte mein Großvater in seiner Pension nicht mehr. Er starb früh an einem Gehirntumor. Eine seltene Erkrankung, an der allein im Waldviertel vier Schuster starben. Der Leim, nach dem die ganze Werkstatt roch, nach dem alles roch, war krebserregend.
Der Beruf, den sich mein Großvater nicht aussuchen konnte, hat ihm in Russland wahrscheinlich das Leben gerettet. Er hat ihm das Auskommen gesichert, und dann auch nicht mehr ganz gesichert. Und er hat ihn wahrscheinlich früher sterben lassen.
Mehr Schuhe als je zuvor
Die Fabriken haben den Schustern den Job gekostet. Aber sie haben es Millionen von Menschen ermöglicht, sich Schuhe leisten zu können. Der Ökonom William Stanley Jevons beobachtete bereits im 19. Jahrhundert ein Muster, das seither nicht mehr verschwunden ist. Wenn etwas effizienter produziert wird, sinkt der Verbrauch nicht. Er steigt. Effizientere Dampfmaschinen verbrauchten nicht weniger Kohle, sondern mehr, weil plötzlich mehr Fabriken Dampfmaschinen einsetzten. Spritsparende Autos führen zu mehr gefahrenen Kilometern. Günstigere Flüge zu mehr Flügen.
Bei den Schuhen war es genauso. Fabrikschuhe machten handgemachte Schuhe überflüssig, aber sie machten Schuhe so billig, dass mehr Schuhe verkauft wurden als je zuvor. Neue Jobs entstanden. Aber nicht beim Schuster. In der Fabrik. In den Schuhgeschäften. In der Konstruktion und Wartung der Maschinen. Die Jobs verschwinden an einer Stelle und tauchen an einer anderen wieder auf. Nur nicht für dieselben Menschen.
Das war damals so. Und wenn ich mir anschaue, was sich in den letzten Wochen in meiner eigenen Arbeit verändert hat, frage ich mich, ob es gerade wieder passiert.
KI arbeitet für mich
Ich arbeite jeden Tag mit KI, stundenlang, seit Jänner 2023. Was sich in den letzten Wochen fundamental verändert hat, lässt sich in einem Satz sagen. KI liefert mir nicht mehr nur Texte. Sie arbeitet für mich.
Ich erstelle Agenten. Nicht Chatbots, die auf Fragen antworten, sondern KI-Systeme, die Aufgaben durchführen, teilweise autonom. Letzte Woche saß Michael, mein Bürokollege, hinter mir und schaute auf meinen Bildschirm. Ein Agent nahm gerade eine Dokumentenvorlage, erstellte daraus ein neues Dokument, benannte es, befüllte es mit Inhalten aus verschiedenen Quellen. Dann nahm er die Daten aus mehreren befüllten Word-Dokumenten und erstellte eine Excel-Tabelle für die Auswertung. Michael sah das in Echtzeit. „Das geht jetzt schon?“ Das geht jetzt schon. Aber man muss es sehen. Lesen reicht nicht. Wenn ich versuche, Kolleginnen und Kollegen davon zu erzählen, ohne es zu zeigen, schaue ich in leere Augen.
Von der Ko-KI-Kreation, bei der ich gemeinsam mit KI Texte schrieb und Ideen entwickelte, bin ich übergegangen zu etwas anderem. Die KI macht Dinge für mich. Ich steuere, kontrolliere, optimiere. Das ist nicht mehr Zusammenarbeit. Das ist Delegation. Alles, was einen Mausklick für eine Bearbeitung braucht, steht auf dem Prüfstand.
In den ersten Wochen spielte ich mich Stunden mit der Automatisierung eines Ablaufs von wenigen Minuten herum. Weil es mir Spaß machte. Weil ich sehen wollte, was geht. Inzwischen wache ich morgens auf und denke darüber nach, welchen Prozess ich als Nächstes automatisieren könnte, wie ich das konkret umsetzen würde. Wenn die Kinder auf dem Weg zur Schule sind, setze ich mich hin und will nur kurz etwas mit KI machen. Stunden später sitze ich immer noch da. Eine Feldstudie der UC Berkeley hat bei 200 Mitarbeitenden eines Technologieunternehmens dasselbe Muster dokumentiert. KI-Nutzung reduziert die Arbeitslast nicht. Sie erhöht sie. Freiwillig. Weil mehr möglich scheint. Der Arbeitstag wird nicht kürzer. Er wird dichter.
Wenn ich mir das eingestehe, stellt sich eine Frage, die ich nicht mehr loswerden kann. Welche meiner Tätigkeiten sind nicht wiederkehrend und würden sich nicht automatisieren lassen? Und wie sieht das bei den Berufen aus, für die ich ausbilde?
Die stille Erosion
Die Antwort auf diese Frage liefert seit Kurzem eine Studie, die nicht auf Prognosen, sondern auf Daten basiert. Die Ökonomen Maxim Massenkoff und Megan McCrory von Anthropic haben erstmals gemessen, was KI am Arbeitsmarkt wirklich tut, nicht, was sie theoretisch könnte. Dafür verknüpften sie eine Million reale KI-Gespräche mit über 20.000 Berufsaufgaben aus der US-Arbeitsmarktdatenbank O*NET.
Das Ergebnis widerspricht beiden Narrativen. Es gibt keine Massenentlassungen. Und es gibt keine Entwarnung. Was es gibt, ist Stille. Bei 22- bis 25-Jährigen in KI-exponierten Berufen sank die Rate der Jobeintritte um 14 Prozent seit Ende 2022. Keine Kündigungen. Keine Schlagzeilen. Stellen werden einfach nicht mehr ausgeschrieben.
Eine Studie der Stanford Universität bestätigt das Muster aus 25 Millionen Gehaltsabrechnungsdaten. Minus 13 Prozent Beschäftigung bei jungen Arbeitskräften in KI-exponierten Berufen. Bei Software-Entwickelnden minus 20 Prozent. Erfahrene Fachkräfte in denselben Berufen dagegen plus 9 Prozent.
KI entfernt nicht die Stellen oben an der Karriereleiter. Sie entfernt die untersten Sprossen.
An unserer Hochschule sehen wir das bereits. Unsere Studierenden im IT-Bereich finden nach wie vor Praktika. Aber im Gegensatz zu früher, als ihnen die Stellen praktisch zufielen, müssen sie jetzt suchen wie alle anderen auch. Was jahrelang eine Selbstverständlichkeit war, ist zu etwas geworden, um das man sich bemühen muss. Keine Krise. Stille Erosion. Und sie trifft nicht nur die IT. Sie trifft jeden Beruf, in dem Einsteigende bisher an einfachen Aufgaben gelernt haben, die KI jetzt schneller erledigt.
Warum muss ich das noch selber machen?
Mein Sohn, vierzehn Jahre alt, hat mich kürzlich gefragt: „Warum muss ich meine Hausübungen noch selber machen, wenn ich das mit ChatGPT machen kann?”
Ich habe geantwortet, wie Eltern antworten, wenn sie wissen, dass die Antwort nicht ganz reicht. Erstens, bei der Schularbeit hat er kein ChatGPT. Und zweitens, um wirklich gut mit ChatGPT arbeiten zu können, muss er selbst viel wissen. Erst dann kann er beurteilen, ob das, was die KI liefert, stimmt oder nur überzeugend klingt.
Er hat mich angeschaut und für einen Moment dachte ich, er hat nicht ganz Unrecht. Wird er das Wissen brauchen, das er jetzt für den Test lernt? Wahrscheinlich nur einen Teil davon. Und niemand weiß, welchen. Das war bei mir schon so. KI verschärft dieses Dilemma, aber erfunden hat sie es nicht.
Was sich verändert hat, ist etwas anderes. Wie soll ein Vierzehnjähriger verstehen, dass er erst wissen muss, was er noch nicht weiß, damit er erkennt, was er noch lernen muss? Diese Einsicht setzt genau die Erfahrung voraus, die er noch nicht gemacht hat. Das ist kein Trotz. Das ist ein echtes Paradox. Und es betrifft nicht nur Vierzehnjährige.
Die Einstiegstätigkeiten, die KI jetzt übernimmt, sind die Hausübungen der Berufswelt. Die Aufgaben, an denen Berufseinsteigende bisher gelernt haben. Materialerstellung. Feedback geben. Erstkorrekturen. Recherche. Wer diese Sprossen der Karriereleiter nicht mehr besteigt, baut das Urteilsvermögen nicht auf, das man braucht, um KI-Output zu bewerten. Und genau wie mein Sohn merkt man nicht, was einem fehlt, solange es einem fehlt. Die Produktion wird demokratisiert. Das Urteil wird elitärer.
Für welche Berufe bilden wir noch aus?
Diese Frage begleitet mich nicht abstrakt. Ich leite den Masterstudiengang E-Learning und Wissensmanagement an der Hochschule Burgenland und gestalte gerade für die Reakkreditierung ein neues Curriculum. Ich bilde Menschen für genau die Berufsfelder aus, die sich vor meinen Augen verändern. Und ich muss Antworten finden, die fünf Jahre halten.
Wissensmanagement als eigenständiges Berufsbild verschwindet. Nicht die Kompetenz, die braucht jede Organisation mehr denn je. Aber das Berufsbild spaltet sich auf in KI-Wissensarchitektur, KI-Governance und Wissenstransfer zwischen Menschen. Klassische Modelle wie Nonaka oder Probst tragen kein ganzes Modul mehr.
Im E-Learning verschiebt sich alles von der Produktion zur Gestaltung. Autorentools, Videoschnitt, LMS-Administration werden massiv entwertet, weil KI das übernimmt. Was bleibt, ist das didaktische Urteil. Entsteht hier tatsächlich Lernen?
In beiden Feldern dasselbe Muster wie in den Arbeitsmarktdaten. Die Einstiegstätigkeiten fallen weg. Die Anforderungen steigen. Gleichzeitig sinken manche Einstiegshürden. Meine Studierenden gestalten digitale Lernspiele, etwas, das vor zwei Jahren Programmierkenntnisse gebraucht hätte. Der Zugang zur Produktion wird leichter. Aber um ein didaktisch sinnvolles Lernspiel zu gestalten, braucht man mehr Erfahrungswissen, nicht weniger. Die Hürde verschiebt sich von der Technik zum Urteil.
Die Fabrik und die Engpässe
Die Jobs verschwinden nicht. Sie mutieren. Aber wie schnell? Und wie grundlegend? Die meisten Texte über KI und Arbeit enden an einer Stelle wie dieser mit einem düsteren Ausblick. Ich will das nicht tun. Nicht, weil ich die Veränderungen kleinreden will, sondern weil die Realität komplizierter ist, als die Panik-Narrative, die gerade überall kursieren.
George Sivulka hat kürzlich eine historische Parallele gezogen, die mich nicht mehr loslässt. In den 1890er Jahren ersetzten Textilfabriken in Neuengland ihre Dampfmaschinen durch Elektromotoren. Dreißig Jahre lang brachte das kaum Produktivitätszuwachs. Nicht, weil die Technologie schlecht war. Aber die Fabriken waren noch gebaut wie für Dampfmaschinen. Erst, als man in den 1920er Jahren die Fabriken komplett neu baute, kam der Durchbruch. Die Technologie allein reichte nicht. Erst die Neugestaltung der Institution, zusammen mit der Technologie, brachte den Ertrag.
Wir haben gerade den Motor ausgetauscht. Aber die Fabrik haben wir noch nicht umgebaut.
Das liegt daran, dass Organisationen von menschlichen Engpässe regiert werden. Gesetze ändern sich nicht über Nacht. In Unternehmenskulturen wiegt „das haben wir immer so gemacht” schwerer als jede neue Technologie. Bürokratie bremst. Büropolitik bremst. Der menschliche Widerstand gegen Veränderung bremst. Und die schlichte Tatsache, dass Menschen lieber mit Menschen zusammenarbeiten als mit Maschinen, bremst am stärksten.
GPT-3 ist seit sechs Jahren verfügbar. GPT-4 seit drei. Selbst im ausgelagerten Kundenservice, dem einfachsten Anwendungsfall für KI-Automatisierung, gibt es keine Massenentlassungen. Nicht, weil die Modelle nicht gut genug wären. Sondern weil Verträge laufen, Systeme integriert werden müssen und weil frustrierte Kundinnen und Kunden manchmal einen Menschen brauchen, der zurückzuckt.
Roy Amara hat das vor Jahrzehnten auf den Punkt gebracht. Wir überschätzen die kurzfristigen Wirkungen einer Technologie und unterschätzen die langfristigen. Es wird keine Lawine geben, die morgen alles begräbt. Aber es wird auch kein Zurück geben. Die Engpässe werden dünner. Schritt für Schritt. Nicht über Nacht. Aber stetig.
Und genau hier liegt das Problem, das Optimisten übersehen. Die Engpässe, auf die sie sich berufen, implizites Wissen, Unternehmenskultur, professionelle Normen, sind genau das, was Michael Polanyi meinte, als er schrieb: „We know more than we can tell.” Wir wissen mehr, als wir sagen können. Dieses stille Wissen steckt in den Engpässen, in den Routinen, in den Erfahrungen, die sich nicht in eine Anleitung packen lassen. Es ist derselbe Typ von Wissen, der meinem Großvater in Stalingrad das Leben rettete. Und es ist genau dieses Wissen, das nicht mehr entsteht, wenn KI die Tätigkeiten übernimmt, durch die es bisher erworben wurde. Nicht das Wissen verschwindet. Sondern der Weg, auf dem es entsteht.
Deshalb muss Bildung jetzt handeln. Nicht in Panik. Aber mit Dringlichkeit. Ob es der Wissensarbeit ergehen wird wie den Schuhen, ob die Nachfrage steigt, weil KI sie effizienter macht, wissen wir nicht. Die Berkeley-Studie zeigt, dass sich Arbeit durch KI eher ausbreitet als schrumpft. Das ist ein Hoffnungsschimmer. Ob er dauerhaft leuchtet, ist offen.
Die Leisten
Mein Großvater konnte sich seinen Beruf nicht aussuchen. Ich kann es. Er konnte die Fabriken nicht aufhalten. Ich kann die Fabrik mitbauen.
Die Plateausohlen-Krise hat ihn fast zum Aufgeben gebracht. Aber er hat weitergemacht, weil es wieder Schuhe zu reparieren gab. Arbeitsschuhe. Das, was die Fabriken nicht konnten. Was sind die Arbeitsschuhe der Wissensarbeit? Lernen begleiten. Urteil fällen. Qualität erkennen. Veränderung gestalten. Einem Vierzehnjährigen erklären, warum er seine Hausübungen trotzdem selber machen muss, auch wenn niemand genau sagen kann, welchen Teil davon er später brauchen wird.
Genau das tue ich gerade. Ich baue ein Curriculum um, für Berufe, die sich gerade grundlegend verändern. Lehrveranstaltungen streichen, die ich selbst aufgebaut habe. Neue schreiben, von denen ich nicht sicher weiß, ob sie in fünf Jahren noch stimmen.
Die Regale in der Werkstatt meines Großvaters standen voller Leisten, die niemand mehr brauchte. Jede einzelne sorgfältig gefertigt, für einen Kunden, der längst seine Schuhe im Geschäft kaufte. Aber nicht die Leisten haben meinem Großvater in Russland das Leben gerettet. Sondern das Wissen in seinen Händen. Ich will, dass meine Studierenden etwas in den Händen haben, das bleibt, wenn sich die Regale wieder leeren.
Wer weiterlesen will, findet unten die Quellen, unseren neuen Podcast und meine letzten LinkedIn-Beiträge.
Zimmer 148
Zehn Jahre hatte ich mein Büro für mich allein. Seit Jänner ist Michael da, derselbe Michael, der in diesem Text vor meinem Bildschirm stand und „Das geht jetzt schon?” fragte. Jeden Morgen erzähle ich ihm, was ich am Abend davor mit KI ausprobiert habe. Er hält dagegen. Irgendwann haben wir gemerkt, dass das auch andere interessiert. Also haben wir ein Mikrofon aufgestellt.
Unser Podcast heißt „Zimmer 148 – So nutzen wir KI“. Zimmer 148 ist unser Büro an der Hochschule Burgenland. Wir reden über das, was KI mit unserer Arbeit, unserer Lehre und unseren Studierenden macht. Wer sich in den Themen dieses Blogs wiederfindet, ist eingeladen, zuzuhören. Die erste Folge gibt es auf YouTube auf dem Kanal der Hochschule Burgenland und auf Spotify. Wir freuen uns über Feedback und Themenvorschläge.
Quellenverzeichnis
Brynjolfsson, E., Chandar, M. & Chen, J. (2025). Canaries in the coal mine? Early signals of AI’s impact on the labor market (Working Paper). Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf
Jevons, W. S. (1865). The coal question: An inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Macmillan. https://oll.libertyfund.org/titles/jevons-the-coal-question
Massenkoff, M. & McCrory, M. (2026). The labor market impacts of AI: Evidence from occupation-level measures of AI exposure. Anthropic. https://www.anthropic.com/research/labor-market-impacts
Polanyi, M. (1966). The tacit dimension. University of Chicago Press. https://monoskop.org/images/1/11/PolanyiMichaelTheTacitDimension.pdf
Ranganathan, A. & Ye, X. M. (2026, 9. Februar). AI doesn’t reduce work—It intensifies it. Harvard Business Review. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it
Sivulka, G. (2026, 12. März). Institutional AI vs individual AI. Andreessen Horowitz. https://www.a16z.news/p/institutional-ai-vs-individual-ai
Meine LinkedIn Beiträge
Die folgenden LinkedIn-Beiträge habe ich seit dem letzten Newsletter veröffentlicht und sind auch ohne LinkedIn-Mitgliedschaft frei zugänglich:
Stanford-Studie: KI verdrängt Berufseinsteiger
Verdrängt KI bereits junge Fachkräfte vom Arbeitsmarkt? Eine neue Stanford-Studie, die Millionen von Gehaltsabrechnungsdaten auswertet, liefert alarmierende Antworten.
Podcast Zimmer 148: KI-resiliente Aufgabenstellungen
Wer KI verbietet, hat schon verloren. Wer KI erlaubt, ohne die Aufgaben anzupassen, auch. Es gibt einen dritten Weg. Genau darüber haben Michael und ich jetzt einen Podcast gestartet.