Kompetenzverlust im KI-Zeitalter: Meine Erfahrung mit Cognitive Offloading und wie wir Skills erhalten können

Kompetenzverlust im KI-Zeitalter: Meine Erfahrung mit Cognitive Offloading und wie wir Skills erhalten können

Einleitung: Meine KI-Realität

Im Rahmen eines KI-Enablement-Projekts zur Einführung von AI Agents konnte ich den Aufbau und die Umsetzung einer mir neuen Arbeitsweise aktiv begleiten.

Die intensive Auseinandersetzung mit AI Agents, Skills und Workflows offenbarte eine ungewohnte Arbeitsrealität. Anstatt Fehler und Projektstrukturen manuell zu analysieren, wird KI als Analyse- und Auswertungstool eingesetzt. Aufgaben werden begleitend mit AI Agents umgesetzt und die manuelle Implementierung tritt in den Hintergrund. Dafür gewinnen Fähigkeiten an Bedeutung, die auf kritischem Denken und analytischer Bewertung beruhen.

Der Versuch, mich in dieser Arbeitsumgebung zurechtzufinden, stellte mich vor konkrete Probleme: Informationsüberflutung durch (teilweise parallele) KI-Outputs und Einseitigkeit durch reine Task-Delegation statt eigener Umsetzung.

Daraus ergaben sich folgende Fragen:

1. Wie lässt sich Informationsüberflutung reduzieren?
2. Verliere ich Fähigkeiten durch KI-Nutzung?
3. Wenn ja, in welchem Umfang geschieht dies?
4. Welche Gegenmaßnahmen sind wirksam?

Dieser Artikel ist der Versuch, diese Fragen zu beantworten, basierend auf meiner persönlichen Erfahrung und der aktuellen Forschungslage.

---

Zusammenfassung (TL;DR)

Im folgenden habe ich wesentliche Begriffe sowie Frameworks als Übersicht gefasst:

• Unkontrolliertes kognitives Offloading an KI-Systeme führt potentiell zu Skill-Erosion (Deskilling) und verzerrter Selbstwahrnehmung der eigenen Kompetenz (LLM Fallacy, Kim et al., 2026)

• CoRe-3 (Framing-Judging-Steering) bietet ein praktisches Kompetenzmodell: Framing (Problem definieren) → Judging (KI-Output kritisch prüfen) → Steering (iterativ korrigieren). Judging erfordert Domänenwissen - ohne Fachkenntnis keine Fehlererkennung möglich.

• SCAN-Framework unterstützt bei der Entscheidung, welche Aufgaben an KI delegiert werden können: Substitute (KI übernimmt vollumfänglich) → Aid (KI als Hilfestellung/Unterstützung) → Complement (Mensch-KI-Kollaboration) → Non-negotiable (ohne KI, menschliche Verantwortung).

• Devil's Advocate-Mechanismen (logische Divergenz, sokratische Fragen, Confidence Calibration) unterbrechen Automation Bias und erzwingen kritisches Denken

• Cognitive Agency Surrender beschreibt den systemischen Prozess gewohnheitsmäßiger Agency-Abgabe unter hoher KI-Abhängigkeit, während Deskilling den individuellen Fähigkeitsverlust bezeichnet.

• Upskilling-Pfad: Ziel ist die Entwicklung von Substitute → Aid → Complement. Mechanismen wie Explain-Back Practice (KI-Lösung rekonstruieren) helfen gegen Deskilling.

Kognitiver Kompetenzverlust durch KI-Nutzung

Problembeschreibung und Arbeit mit KI - Projektrealität

Der neue Projektalltag besitzt Gemeinsamkeiten mit der bisherigen/konventionellen Variante. Die Aufgaben befinden sich weiterhin innerhalb definierter Tickets, mit Beschreibungen und Labels, die angeben, ob es sich um Features oder Bugfixes handelt. Zu Teilen liegen Akzeptanzkriterien vor, die im Laufe der Implementierung in Tests eingebettet werden. Hinzu kommen die Konfrontation mit einer umfassenden und anfänglich unübersichtlichen Codebase, die Erwartungshaltung einer möglichst schnellen Einarbeitung und eines produktiven Einsatzes.

Die neue Arbeitsweise erfordert zunächst das Erlernen der Vorgehensweisen zur Analyse, Auswertung und Einordnung mit KI und wirkt deshalb experimentell und ungewohnt. In diesem Zusammenhang gilt es, Projektspezifika für mich selbst und die KI möglichst genau und knapp zu verfassen, um einer Informationsüberlastung entgegenzuwirken. Hierbei sind Begrifflichkeiten des Context Engineering mit Context Hygiene und Harness zu berücksichtigen. Die Ausgestaltung der Schritte von Analyse, Einordnung bis zur produktiven Umsetzung erfordern, neben der prägnanten Zusammenfassung von Projektspezifika, die Definition von Skills, Agents, AI Workflows und Sicherheit. Mit den Antworten der KI spielt die Verifikation von den benannten Schritten sowie KI-Antworten eine übergeordnete Rolle und stellt durch die Geschwindigkeit der KI eine Herausforderung dar. Auf der anderen Seite wirkt die Arbeit durch die Delegation von Aufgaben monoton und einseitig, verbunden mit dem "Abwarten" der Ergebnisse des AI Agents.

Vier dokumentierte Risiken

Die aktuelle Forschung zeigt, dass unkontrolliertes Offloading kein hypothetisches Szenario ist, sondern ein messbares Phänomen mit konkreten Konsequenzen. Zum besseren Verständnis des Artikels sowie zur Einordnung meiner Beobachtungen folgenden Definition der wesentlichen Begriffe. Cognitive Offloading bildet im Definitionsbereich kein Risiko dar, es beschreibt die Handlung. Unter den vier dokumentierten Risiken zählen: Deskilling, LLM Fallacy, Augmentation Trap und der Zustand der Cognitive Agency Surrender.

---

Cognitive Agency bezeichnet die Fähigkeit eines Menschen kognitive Prozesse - logische Deduktion, kritisches Denken und Selbstwahrnehmung - aktiv und eigenverantwortlich wahrzunehmen, ohne diese an externe Systeme abzugeben.

Cognitive Offloading bezeichnet die Delegation kognitiver Prozesse an externe Systeme - bei KI-Nutzung das Auslagern von Denk-, Analyse- und Problemlösung an Large Language Models (LLMs).

Deskilling beschreibt den langfristigen Verlust kognitiver Fähigkeiten durch systematisches Offloading. Betroffen sind insbesondere kritisches Denken, Analysekompetenz und Problemlösungsstrategien. Ein aktuelles Positionspapier von Chalkidis & Søgaard (2026, FAccT '26) argumentiert, dass Deskilling ein übersehenes KI-Risiko ist.

LLM Fallacy beschreibt kognitive Misattribution (falsche Zuordnung bzgl. Herkunft von Informationen, Erinnerungen). KI-generierte Outputs werden als Evidenz eigener Kompetenz missinterpretiert. Es entsteht eine Divergenz zwischen wahrgenommener und tatsächlicher Fähigkeit - wir fühlen uns kompetenter, als wir sind.

Augmentation Trap beschreibt das Phänomen kurzfristiger Produktivitätsgewinne auf Kosten langfristiger Skill-Erosion (Deskilling). Rational adoptieren wir KI-Tools trotz antizipierter Skill-Kosten, ein Trade-off, der sich erst langfristig bemerkbar macht (Caosun & Aral, 2026).

Cognitive Agency Surrender (CAS) beschreibt den systemischen Prozess, bei dem Menschen aktive logische Deduktion und ethische Urteilsbildung an KI-Systeme abtreten (Xu et al., 2026).

Abgrenzung von CAS zu Deskilling - Im Gegensatz zu Deskilling (individueller Fähigkeitsverlust) beschreibt Cognitive Agency Surrender den Prozess wiederholter Agency-Übergaben und letztlich den Zustand dessen, der zum Verlust epistemischer Souveränität führt. Der Prozess verläuft inkrementell: Von Zero-Friction (komfortable Nutzung von KI, hoch-fluente Antworten sowie Übernahme von KI-Antworten, ohne kognitive Reibung) über Automation Bias bis zur sekundären Agency-Übergabe bei Einführung kognitiver Reibung (Friction Shock - Reibung übersteigt kognitive Arbeitskapazität).

---

Beobachtung

Zur Einordnung der im vorherigen Abschnitt definierten Begriffe, habe ich in diesem Abschnitt meine Beobachtung im Projektalltag zum KI-Enablement und der damit verbundenen intensiven Arbeit mit KI aufgenommen.

Die Ausgangslage mit Arbeits- und Zeitverdichtung zur Umsetzung von Aufgaben in Kombination mit der relativ hohen Informationsdichte sowie Häufigkeit führte über den Verlauf meines Arbeitstages zu einer erhöhten kognitiven Belastung und anschließenden Müdigkeit. Diese Beobachtung konnte ich nach der ersten Woche daran erkennen, dass ich nach kürzeren arbeitsintensiven Zeiten kognitive Pausen gebraucht habe im Vergleich zur Arbeit ohne KI. Meine Beobachtungsergebnisse blieben über die nächsten Wochen konstant.

Im Zuge der zunehmenden Müdigkeit nahm die kritische Prüfung der KI-Antworten ab und die Bereitschaft, Aufgaben vermehrt an die KI abzugeben, zu. Schleichend, jedoch kontinuierlich begann der Prozess des kognitiven Offloadings. Strukturierte (hoch-fluente) KI-Antworten wirken anhand ihres Aufbaus valide, die sich nach einer eingehenden Verifikation als falsch erwiesen. Diese pseudo-logisch wirkenden KI-Antworten erforderten eine erhöhte Konzentration, um relevante Informationen zu extrahieren und zu prüfen. Im Code sind es oft nur einzelne Zeilen, in denen bestehende Funktionalitäten neu implementiert wurden, statt sie wieder zu verwenden. Des Weiteren wurden Variablen mit validen Dummy-Werten belegt.

Die Produktion von Code mit Hilfe der KI wirkt deshalb schnell, effizient, valide und gibt ein vermeintliches Gefühl von hoher Produktivität und Kompetenz. Analysen und Ergebnisse wirken anhand ihres Aufbaus professionell und überzeugend - ein Eindruck, der durch erfolgreich laufende Tests noch verstärkt wird. Weil die Produktion von diesen Ergebnissen in Interaktion mit der KI entstand, findet eine Kombination aus LLM Fallacy und Augmentation Trap statt, denn es mussten Probleme beschrieben, offensichtliche Fehler behoben werden und ich war die treibende Kraft. Unkritisch betrachtet wird dadurch ein Gefühl von Kompetenz - einer vermeintlichen intellektuellen Fähigkeit, das sich bei eingehender Verifikation auflöst. Der Verfall dieses Gefühls wirkt irritierend und verstärkt kognitive Ermüdung.

Innerhalb meines begrenzten Zeitraums von 4 Wochen habe ich keine Anhaltspunkte für ein aktives Deskilling feststellen können. Weil Deskilling über einen langfristigen Zeitraum stattfindet, war die fehlende Beobachtung wenig verwunderlich. Jedoch ist davon auszugehen, dass über einen längeren Zeitraum unter den gleichen Bedingungen, ein aktives Deskilling eine potentielle Folge wäre.

Lösungsansätze

FJS (Framing-Judging-Steering) - CoRe-3 (Co-Reasoning)

CoRe-3 (Co-Reasoning) beschreibt ein Kompetenzmodell zum produktiven Einsatz von generativer KI. Es unterscheidet in 3 voneinander getrennte Skills - Framing, Steering und Judging (FJS):

• Framing: findet vor der Nutzung von KI statt - unvollständig spezifizierte definierte Problemstellungen in spezifische Aufgaben umformulieren, sowie die Eingrenzung, wie eine geeignete Lösung aussehen sollte. Annahmen sollten explizit gehalten werden.
• Judging: kritische Auseinandersetzung mit KI-Antworten. KI-Antworten als Annahmen behandeln, nach logischen Fehlern suchen und fehlerhafte oder implizite Annahmen hinterfragen.
• Steering: erfolgt iterativ, umfasst das kontrollierende Eingreifen, um KI-Antworten mit Hilfe von korrigierenden Einwürfen in die gewünschte Richtung zu "steuern", zum Erhalt von adäquaten Lösungen.

Das distinktive Merkmal von CoRe-3 ist die strikte Trennung von Framing (vor der KI-Antwort) und Steering (nach der KI-Antwort), wobei Judging als Gate zwischen beiden Phasen fungiert.

Wichtig: Das Kompetenzmodell funktioniert unter der Annahme, dass der Mensch über Domänenwissen verfügt, um im Zyklus von Judging und Steering das gewünschte Ergebnis erreichen zu können.

CoRe-3 Framework (Abbildung inspiriert nach Apartsin & Aperstein, 2026)

Abbildung 1: Der CoRe-3 Loop. Framing (pre-generation) setzt die Standards, gegen die Judging (monitor) und Steering (control) die KI-Ausgaben evaluieren und korrigieren. Quelle: Eigene Darstellung inspiriert nach Apartsin & Aperstein (2026).

SCAN (Substitute-Complement-Aid-Non-negotiable)-Task-Allokation

Bei SCAN handelt es sich um ein menschenzentriertes Framework zur effektiven Allokation von Aufgaben an generative KI. Zur systematischen Entscheidungsfindung wird eine Klassifikation in Teilbereiche S-C-A-N vorgenommen, basierend auf der Zone der proximalen Entwicklung von Lev Vygotsky.

• Substitute: Lernender hat kein aufgabenspezifisches Wissen. KI übernimmt vollumfänglich die Umsetzung von Aufgaben.
• Complement: Lernender hat ausreichend aufgabenspezifisches Wissen. KI wird als Ausführungsunterstützung genutzt - Mensch-KI-Kollaboration.
• Aid: Lernender hat unzureichende aufgabenspezifische Kenntnisse. KI wird zur Hilfestellung (Scaffolding) für Wissenslücken und Ausführung genutzt.
• Non-negotiable: Erfordert eine menschliche MKO (More Knowledgeable Other) und kann nicht von KI automatisiert werden. Bereich umfasst die Ausbildung von Empathie, Ausbildung von Persönlichkeit und Identität, Nachvollziehbarkeit von menschlicher Verantwortung und situatives Urteilsvermögen - entsteht durch Erfahrung.

Potentielle Risiken in der Zusammenarbeit mit KI - Warum SCAN?

Die arbiträre Delegation von Aufgaben an KI umfasst im Kontext von SCAN, neben den dokumentierten Risiken, Automation Bias (unkritische Annahme von KI-Antworten), Monitoring Illusion (Fehler nicht erkennen), Kalibrierungsfehler (falsche Selbsteinschätzung) und Sycophancy (KI bestätigt Nutzerannahmen ohne Evidenzbasis). Arbiträre Delegation ohne metakognitive Prüfung führt zur übermäßigen Abhängigkeit (Overreliance) und damit zu Skill-Erosion (Deskilling). Trotz der substanziellen Vorteile zur Zeitersparnis sind die Risiken für metakognitive Fähigkeiten und der Schaden an der individuellen Lernfähigkeit einzubeziehen.

SCAN erleichtert das aktive Vorgehen gegen arbiträre Aufgaben-Delegationen an KI, unterbricht somit kognitives Offloading und Deskilling durch die Bereitstellung der Methodik zur effektiven Aufgaben-Allokation gefasst in einer Closed-Loop-Architektur (ähnlich Feedbackschleife).

SCAN - Closed-Loop-Architektur

Abbildung 2: SCAN Closed-Loop Architektur. Der metakognitive Regelkreis ermöglicht selbstkorrigierende Task-Allokation mit kontinuierlicher Kalibrierung. Quelle: Eigene Darstellung inspiriert nach Tsim & Gutoreva (2026).

Entwicklungspfad: Idealerweise entwickelt sich die KI-Nutzung über Zeit von Substitute → Aid → Complement (Upskilling-Pfad). Mechanismen wie Explain-Back Practice (selbstständige Rekonstruktion der KI-Lösung) und Difficulty Titration (Anpassung der Aufgabenschwierigkeit) helfen dabei, Deskilling (Complement → Aid → Substitute) zu vermeiden.

Deliberate Friction Points

Scaffolded Cognitive Friction (Xu et al., 2026) schlägt vor, KI-Systeme gezielt mit kognitiver Reibung zu versehen - etwa durch Devil's-Advocate-Mechanismen. Dies steht im Kontrast zum aktuellen Zero-Friction-Design, das durch hoch-fluente, monolithische KI-Ausgaben Automation Bias verstärkt. Im Kontext von CoRe-3 übernimmt Judging diese Friction-Funktion.

Devil's-Advocate-Mechanismen

Der Devil's Advocate ist ein Mechanismus in Multi-Agenten-Systemen, der gezielt logische Divergenz (widersprüchliche oder alternative Perspektiven zur Hauptantwort) erzeugt, um Automation Bias zu unterbrechen und bewusstes, kritisches Nachdenken anzuregen. Statt einer konsolidierten Antwort liefert das System alternative Lösungswege, hinterfragt Annahmen und macht Unsicherheiten sichtbar.

Vier Kernfunktionen - eigene Darstellung:

Funktion	Beschreibung	Beispiel
Alternative Lösungen	Zeigt mehrere Wege zum Ziel mit Vor- und Nachteilen	"Lösung A (schnell) vs. Lösung B (wartbar)"
Sokratische Fragestellung	Stellt Rückfragen, um zum Nachdenken anzuregen	"Warum ist X wichtig? Gibt es Alternativen?"
Confidence Calibration	Macht Unsicherheiten offen sichtbar	"Mittlere Confidence – Skalierung unbekannt"
Disagreement Matrix	Gegenüberstellung verschiedener Optionen	Tabelle mit Vor-/Nachteilen und Anwendungsfällen

Wirkung im CoRe-3 Loop: Der Devil's Advocate unterstützt Judging durch strukturierte Kritik und regt zur aktiven Prüfung der KI-Ausgaben an.

Risiko - Friction Shock: Zu starke Divergenz kann kognitive Überlastung auslösen → Nutzer ignoriert Mechanismen (Secondary Agency Surrender). Daher: Friction adaptiv an die individuelle Kapazität anpassen.

Abbildung 3: Devil's-Advocate-Architektur. Der Primary Agent liefert die Hauptantwort, während der Devil's Advocate gezielt Kritik, Alternativen und Unsicherheiten einbringt. Die Disagreement Matrix zwingt den Nutzer zum aktiven Vergleichen und Urteilen. Quelle: Eigene Darstellung inspiriert nach Xu et al. (2026).

Fazit

Die Zusammenarbeit mit KI hat durchaus substantielle Vorteile, u. a. Zeitersparnis für Analysen, Recherchen, Zusammenfassungen - beim Schreiben dieses Artikels habe ich neben Google Scholar, Semantic Scholar, arXiv.org auch KI zur Recherche assistierend eingesetzt, sowie erste Zusammenfassungen von Papern erstellt als Entscheidungsgrundlage, ob diese für meine Arbeit relevant sind. Darüber hinaus nutzte ich KI zur Erstellung von Diagrammen, meinen Abbildungen zur Visualisierung meiner Erkenntnisse. Den Großteil meiner Arbeit verbrachte ich mit dem Lesen und Verarbeiten der wissenschaftlichen Erkenntnisse (Paper), Verfassen von Texten und Korrektur von Abbildungen, die von KI erstellt wurden. Ebenso hilfreich empfand ich Texte sowie Erkenntnisse von der KI auf Grundlage der vorliegenden Paper Korrekturlesen zu lassen und betroffene Abschnitte zu verifizieren und anschließend zu korrigieren. Bei der Zusammenarbeit habe ich bewusst kognitives Offloading vermieden und CoRe-3 mit FJS sowie kognitive Friction implementiert.

Aus den Erkenntnissen folgt: Die Zusammenarbeit mit KI ist mit Risiken verbunden, arbiträres Offloading sollte unbedingt vermieden werden. Die Einführung von Frameworks, wie CoRe-3 mit FJS, Deliberate Friction mit Devil's Advocate-Architektur und die Einbindung von SCAN zur fundierten Entscheidungsfindung sind empfehlenswert und wesentlich für Skill-Erhalt, epistemische Souveränität, intellektuelle Integrität und die Beibehaltung des kritischen Denkens.

---

Call-To-Action - Handlungsempfehlungen

• SCAN anwenden: Tasks klassifizieren (Substitute, Complement, Aid, Non-negotiable) – arbiträre Delegation vermeiden - transparente Entscheidungsgrundlage
• Non-negotiable Zone definieren: Tasks identifizieren, die nicht an KI delegiert werden (Verantwortung, Ethik, Urteilsvermögen) - More Knowledgeable Other (MKO) bewusst einbeziehen; Mentoring, Begleitung, internalisieren von Wissen
• CoRe-3/FJS nutzen: KI-Interaktionen: Framing → Judging → Steering
• Explain-Back Practice: KI-Lösungen selbstständig rekonstruieren statt kopieren, sowie Verifikation
• Devil's Advocate etablieren: KI-Outputs mit alternativen Lösungen und sokratischen Fragen hinterfragen; bewusst AI-Skills (sokratische Modell, Interviews) als Grundlage für die Zusammenarbeit verwenden
• Upskilling-Pfad verfolgen: Zielrichtung Substitute → Aid → Complement, nicht umgekehrt
• Kognitive Pausen: bewusst kognitive Pausen einlegen, kognitive Verarbeitung von Informationen und Regeneration im Kontext der hohen Informationsdichte sowie Geschwindigkeit von KI

Hinweis zur Evidenzlage

Die in diesem Artikel zitierten Quellen stammen aus dem Jahr 2026 und befinden sich mehrheitlich im Preprint-Stadium (arXiv) ohne abgeschlossenes Peer-Review-Verfahren. Eine Ausnahme bildet Chalkidis & Søgaard (2026), das als peer-reviewed Konferenzbeitrag der FAccT '26 publiziert wurde. Die konzeptuellen Frameworks (CoRe-3, SCAN, Cognitive Agency Surrender) sind bislang theoretisch begründet, aber empirisch nicht validiert - die Autor:innen selbst weisen auf ausstehende empirische Nachweise hin.

Quellenverzeichnis

1. Chalkidis, I., & Søgaard, A. (2026). Brainrot: Deskilling and Addiction are Overlooked AI Risks. Proceedings of the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26), June 25-28, 2026, Montreal, QC, Canada. ISBN: 979-8-4007-2596-8. DOI: 10.1145/3805689.3812306. arXiv:2605.03512 [cs.CY]

2. Kim, H., Yu, H., & Yi, H. (2026). The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows. arXiv:2604.14807 [cs.AI]. Version 2, revised April 28, 2026. DOI: 10.48550/arXiv.2604.14807

3. Caosun, M., & Aral, S. (2026). The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading. arXiv:2604.03501 [cs.HC]. Version 6, revised July 5, 2026. DOI: 10.48550/arXiv.2604.03501

4. Xu, K., Shen, Y., Yan, L., & Ren, Y. (2026). Cognitive Agency Surrender: Defending Epistemic Sovereignty via Scaffolded AI Friction. arXiv:2603.21735 [cs.HC]. Version 2, revised April 16, 2026. 26 Seiten, 4 Abbildungen. DOI: 10.48550/arXiv.2603.21735

5. Apartsin, A., & Aperstein, Y. (2026). Framing, Judging, Steering: An Assessable Competency Model for Teaching Students to Reason With Generative AI. arXiv:2606.05983 [cs.AI]. Submitted June 4, 2026. 18 Seiten. DOI: 10.48550/arXiv.2606.05983

6. Tsim, F., & Gutoreva, A. (2026). SCAN: A Decision-Making Framework for Effective Task Allocation with Generative AI. arXiv:2606.15601 [cs.HC]. Submitted June 14, 2026. 16 Seiten, 2 Abbildungen, 3 Tabellen. DOI: 10.48550/arXiv.2606.15601