Kommentar von Benjamin Eidam Produktivierte Authentizität sichert Jobs im KI-Zeitalter

Generative KI reduziert die Kosten vieler Aufgaben erheblich, teilweise nahezu auf null. Gleichzeitig wächst der Wert von Inhalten, die aus einer individuellen Erfahrungswelt stammen. „Produktivierte Authentizität“ meint, diese einzigartige persönliche Sichtweise in skalierbare, wiederverwendbare Formate umzuwandeln.

„Produktivierte Authentizität“ stellt eine Weiterentwicklung des Konzepts von Naval Ravikant dar. Dadurch entsteht ein sogenannter Job-Moat (moat, engl. Graben, Burggraben): Ein Schutzraum gegen Austauschbarkeit, der zugleich profitable Einkommensmöglichkeiten eröffnet. Dieses Konzept orientiert sich an Warren Buffetts Idee des ökonomischen Moats, eines wirtschaftlichen „Burggrabens“ gegenüber Konkurrenten, überträgt ihn aber auf Einzelpersonen.

Da dieser Ansatz sowohl neu als auch vielschichtig ist, soll der folgende Artikel eine praxisorientierte und kompakte Betrachtung aus verschiedenen Perspektiven bieten und so ein grundlegendes Verständnis ermöglichen.

1. Vom ökonomischen Moat zum Job-Moat

• Ein ökonomischer Moat beschreibt einen langfristigen Wettbewerbsvorteil eines Unternehmens. Buffett sieht darin eine dauerhafte Schutzlinie, die Konkurrenten fernhält und stabile Erträge sichert. Überträgt man dieses Konzept auf die Arbeitsmärkte, zeigt sich, dass Automatisierung und generative Modelle zunehmend Aufgaben bedrohen, die auf allgemein verfügbarem Wissen basieren oder sich leicht herleiten lassen. Laut McKinsey könnten dadurch bis 2030 rund 30 Prozent der Arbeitsstunden in Europa automatisiert werden.

• Ein Job-Moat entsteht, wenn einzigartiges Erfahrungswissen systematisch in nutzbare Produkte überführt wird. Entscheidend ist dabei nicht nur, dass Wissen selten ist, sondern dass es gezielt, skalierbar und unabhängig vom Nutzer selbst wirtschaftlich nutzbar gemacht wird.

Heißt: Der ökonomische Moat bietet Unternehmen Schutz vor Konkurrenz durch stabile und schwer kopierbare Wettbewerbsvorteile. Eine Chipfabrik z. B. ist extrem schwer kopierbar, da sie teuer, langwierig im Aufbau und komplex im Betrieb ist. Im Zuge zunehmender Automatisierung verschiebt sich dieses Konzept auf den Arbeitsmarkt. Tätigkeiten, die auf öffentlich verfügbarem Wissen beruhen, verlieren an Wert, während individuell erworbenes, persönliches Erfahrungswissen wichtiger wird. Ein Job-Moat entsteht somit nicht automatisch durch bloße Seltenheit, sondern durch die systematische Umwandlung dieser einzigartigen Erfahrungen in klar nutzbare, skalierbare Formate. Dadurch entsteht eine persönliche „Verteidigungslinie“, die sowohl langfristigen Schutz vor Automatisierung als auch neue, profitable Einkommensquellen ermöglicht.

2. Doppelte Verteidigung: Einzigartigkeit und Datenknappheit

Einzigartigkeit: Einzigartige Erfahrungen entstehen aus Mikro-Entscheidungen, persönlichen Anekdoten und spezifischem Fachjargon. Diese Details sind nicht in öffentlich verfügbaren Daten vorhanden und können von KI-Modellen nur oberflächlich nachgeahmt werden. Und selbst wenn sie das können, bringt buchstäblich die nächste eigene Erfahrung wieder einen neuen Blickwinkel auf das bisher Gelernte, der nicht reproduzierbar ist. Man macht sich damit die Zeit selbst zum Verbündeten. „Niemand ist mehr du, als du“ wie es so schön heißt.

Datenknappheit: Große KI-Modelle lernen aus allgemein verfügbaren Massendaten. Für individuelle Erfahrungen gibt es kaum ausreichende oder rechtlich verfügbare Datensätze. Dies erschwert das Klonen persönlicher Expertise schon rein technisch erheblich (das so genannte „Long-Tail-Problem“). Und obwohl es viele spannende Ansätze gibt, dieses Problem abzumildern, lässt es sich fundamental nicht lösen. Das bedeutet eine technisch basierte Sicherheitsgarantie für den Job-Moat-Ansatz.

Job-Moat als Gleichung: Job-Moat entsteht durch die Kombination von einzigartigem Wissen und der systematischen „In vom Ersteller unabhängig konsumierbaren Produktform-Bringung“ dieses Wissens. Anders ausgedrückt: Job-Moat = Einzigartigkeit × Produktivierung.

Heißt: Die Verbindung von Einzigartigkeit und Datenknappheit schafft eine natürliche Schutzbarriere gegenüber Automatisierung und Nachahmung. Während große KI-Modelle auf weit verbreitete Informationen zugreifen und diese verarbeiten können, bleibt individuelles Erfahrungswissen außerhalb ihrer Reichweite. Erst wenn diese Einzigartigkeit in eine produktivierte, von anderen nutzbare Form überführt wird, entsteht aber ein wirklich stabiler Job-Moat.

Wichtig dabei: Nicht das seltene Wissen allein schützt vor Austauschbarkeit, sondern dessen bewusste und skalierbare Nutzbarmachung eröffnet nachhaltige Wettbewerbsvorteile für Einzelpersonen. Und dank KI als Hebel kann diese Marktposition dann auch in Konkurrenz mit Unternehmen treten, was z. B. dieses „Lean AI Leaderboard“ sehr gut zeigt.

3. Zum Job-Moat durch produktivierte Authentizität in 4 Schritten

Schritt 1: Rohmaterial sammeln: Alle eigenen, relevanten Informationen wie Fachartikel, Memos, Podcasts oder Präsentationen werden in einer einzigen, gut strukturierten Datenbank zusammengeführt. Auch eigene Texte, Entwürfe, Bilder usw. helfen hier. Zusätzliche Informationen (Metadaten), z. B. Erstellungsdatum oder Kontext, ermöglichen später gezieltes Suchen und Filtern. Ziel: Das „Ich“ in vorhandenen Daten bestmöglich abbilden und dann feinschleifen wo nötig.

Schritt 2: Substanz verdichten: Die zentralen Aussagen werden herausgearbeitet und zusammengefasst. Dabei erfolgt eine thematische Strukturierung, etwa nach Zielgruppen oder Nutzen. So werden Wissenslücken deutlich, die gezielt geschlossen werden können.

Schritt 3: Skalierbare Verpackung wählen: Zunächst können einfache Formate wie PDF-Leitfäden oder Newsletter genutzt werden. Später folgen komplexere Lösungen wie Chatbots, die gespeichertes Wissen dynamisch abrufen (Retrieval-Augmented Generation). Schließlich können auch Programmierschnittstellen (APIs) oder individualisierte Module für Partner entstehen. Was immer einem am nächsten liegt. Auch hier gilt wieder, je individueller, desto besser.

Schritt 4: Feedback-Prozess etablieren: Nutzerfragen dienen dazu, Wissenslücken sichtbar zu machen. Wiederkehrende Fragen werden in die Wissensbasis integriert, sodass Antworten im Laufe der Zeit immer besser werden, ohne zusätzlichen Aufwand zu verursachen.

Heißt: Dieser vierstufige Ablauf verbindet individuelle Erfahrung mit technischer Skalierung. Er sorgt dafür, dass einzigartiges Wissen nicht nur gesammelt, sondern so aufbereitet wird, dass es für Dritte nutzbar und leicht zugänglich ist. Durch die Kombination aus strukturiertem Aufbau, schrittweiser Verdichtung und gezielter Ausspielung entsteht ein System, das sich kontinuierlich selbst verbessert. So wird nicht nur die Reichweite des eigenen Erfahrungswissens vergrößert, sondern zugleich ein nachhaltiger Schutz vor Austauschbarkeit geschaffen. Denn die dabei gesammelten Daten hat ja dann ebenfalls niemand außer man selbst. Win-Win.

Damit haben wir den Kern ausstaffiert. Komplettieren wir ihn im „Rapid-Fire“:

4. Wichtiges Ergänzungswissen zur Einordnung und Fehlervermeidung

Gründe für die Wirksamkeit des Ansatzes

Echtheitsprämie: KI macht Standardwissen leicht verfügbar und dadurch weniger wertvoll. Im Gegensatz dazu steigt der Wert authentischer und einzigartiger Inhalte, da sie selten und nicht frei erhältlich sind.

Vertrauensbonus: Die Herkunft von KI-generierten Antworten beeinflusst deren Akzeptanz deutlich. Laut der Cisco Consumer Privacy Survey 2024 bevorzugen 59 % transparente, klar zuordenbare Quellen.

Sinkende Grenzkosten: Nach einmaliger Erstellung können Inhalte ohne zusätzlichen Personalaufwand beliebig oft genutzt werden.

Option zur Erweiterung: Der einmal erstellte Wissenskern lässt sich in unterschiedlichen Formaten weiterverwenden (z. B. als Buch, Kurs, API), ohne dass die Qualität oder Einzigartigkeit leidet.

Typische Fehlerquellen und pragmatische Lösungen

Perfektionismus: Der Anspruch auf Vollständigkeit verzögert die Veröffentlichung. Stattdessen empfiehlt es sich, zunächst ein klar definiertes, kleines Format zu veröffentlichen und zügig Feedback einzuholen. „Done is better than perfect“, wie es so schön heißt.

Technik-Fokus: Eigene KI-Modelle sind oft zu teuer und unnötig kompliziert. Meist reicht ein einfacher Retrieval-Ansatz mit Open-Source-Software. (Wenn man KI sehr tief einbinden will, nicht zwingend nötig).

Beliebigkeit: Die ungefilterte Aufnahme alter Materialien verwässert die Qualität. Eine gezielte Auswahl relevanter Inhalte erhöht dagegen die wahrgenommene Kompetenz.

Praxisbeispiele zur Orientierung

Zollrecht-Experte: Projekt-Memos werden zu einer durchsuchbaren Datenbank. Zusätzlich erscheinen wöchentliche FAQs, die Mandanten helfen, Recherchezeit zu sparen und Beratungsanfragen erhöhen.

Vertriebsspezialist für Industriekomponenten: Erfolgreiche Verkaufsgespräche werden zu strukturierten Vorlagen (Prompts). Diese erleichtern Kollegen die Argumentation und verbessern die Verkaufsabschlüsse.

Trainer für Führungskräfte: Workshop-Materialien wie Handouts, Fallstudien und Videos werden zu einem Chat-Assistenten kombiniert. Teilnehmer erhalten schnelle Antworten rund um die Uhr, was zusätzliches Umsatzpotenzial schafft.

Praktischer Handlungsplan in fünf Schritten

• 1. Inhaltsprüfung: Vorhandene Materialien erfassen, doppelte Inhalte entfernen und eine klare Struktur schaffen.

• 2. Erstes Format festlegen: Ein schnell umsetzbares Format wie ein Whitepaper wählen, das innerhalb von 30 Tagen verfügbar ist.

• 3. Verbreitung planen: Geeignete Kanäle wie Websites, Fachnewsletter oder Branchenplattformen auswählen und vorbereiten.

• 4. Feedback erfassen: Nutzerfragen systematisch sammeln und zur Verbesserung der Inhalte nutzen.

• 5. Regelmäßige Überprüfung: Alle sechs Wochen bewerten, welche Themen vertieft oder ergänzt werden müssen.

Fazit

Standardisierte Tätigkeiten werden zunehmend von KI übernommen. Gleichzeitig gewinnen authentische, individuelle Denkweisen an Bedeutung. Produktivierte Authentizität verbindet diese Einzigartigkeit mit Skalierbarkeit und schafft dadurch einen robusten Job-Moat. Ein einfacher Einstieg gelingt durch die Auswahl von drei Texten, die auf individueller Erfahrung beruhen und somit das Fundament des persönlichen Burggrabens bilden.

* Benjamin Eidam ist KI-Unternehmer, Berater und Keynote-Speaker. Er beschäftigt sich bereits seit 2010 mit angewandter KI und unterstützt Führungskräfte und Unternehmen dabei, ihre Prozesse durch intelligente Systeme zu transformieren. Eidam ist Co-Autor des Buches „Der KI-Schlüssel für Unternehmen – Ihr Zugang zu Künstlicher Intelligenz: nachhaltig, profitabel und sicher“, das am 15. September im Wissenschaftsverlag Springer Gabler erscheint.

(ID:50468177)