„Lern einfach dazu“ gilt als die Antwort auf KI. Ein Paper von 2026 nennt den Preis dieser Antwort: Reskilling-Müdigkeit. Der Begriff trifft ein echtes Gefühl. Nur fehlt dem Paper, was es selbst zugibt – jeder Beleg. Warum die Idee trotzdem taugt.
Alle paar Wochen ein neues Modell. Eine Prompt-Technik, die die letzte überholt. GEO, das es vor zwei Jahren kaum gab und das ich heute beherrschen muss, weil es sonst jemand anderes tut. Ich lerne gern, mein Beruf lebt davon. Aber ich kenne auch das andere Gefühl: nie fertig zu sein. Kaum sitzt etwas, ist es veraltet.
Ein Paper aus dem Mai 2026 gibt diesem Gefühl einen Namen: reskilling fatigue, Reskilling-Müdigkeit. Es behauptet etwas, das ich für richtig halte – und nicht beweisen kann. Diese Spannung lohnt den zweiten Blick.
Was das Paper behauptet
Drei Forschende aus Indien beschreiben ein Problem, das im KI-Optimismus untergeht. Weiterbildung gilt überall als Lösung für den KI-Wandel. Über ihre Kosten redet kaum jemand.
Besonders betroffen sind laut Paper die Established Knowledge Professionals – Fachleute in der Berufsmitte, zehn bis zwanzig Jahre Erfahrung, deren Wert auf angesammeltem Wissen und Urteil ruht. Genau diesen Wert entwertet KI, schneller als neues Wissen sich festigt.
Daraus wird eine Schleife. KI verändert die Arbeit, Kompetenzen veralten, man lernt nach, das Neue veraltet wieder, bevor es zur echten Meisterschaft reift. Lernen kippt von einer Quelle des Wachstums zu einer Abwehrbewegung. Man lernt nicht mehr, um besser zu werden, sondern um nicht unterzugehen. Und je öfter sich die Schleife dreht, desto weniger bringt jede Runde – bis Erschöpfung und Unsicherheit bleiben.
Der wichtigste Satz: Reskilling-Müdigkeit sei kein persönliches Versagen, sondern ein systemisches Ergebnis davon, wie KI-Arbeit gestaltet wird. Nicht „du lernst zu langsam“, sondern „die Organisation setzt das Tempo“.
Wie aktuell ist das?
Aktuell – veröffentlicht im Mai 2026, also noch nah dran. Das Thema ist ohnehin nicht abstrahiert von der Gegenwart, es ist die Gegenwart.
Wie glaubwürdig ist das?
Und hier muss man deutlich sein: Das Paper liefert keine Daten. Kein einziges.
Es ist ein Perspective-Artikel, ein Meinungs- und Konzeptbeitrag. Die Autoren schreiben es offen hin: statt empirischer Daten kombinieren und deuten sie vorhandene Literatur. Sie stützen sich auf zwei etablierte Theorien – dasselbe JD-R- und COR-Modell wie die Erschöpfungsforschung – und bauen daraus ein Gedankenmodell. Mehr nicht.
Das hat Folgen, die man nicht übersehen darf.
Wir wissen nicht, wie verbreitet Reskilling-Müdigkeit ist. Niemand wurde befragt, niemand gemessen.
Wir wissen nicht, ob sie wirklich etwas Eigenes ist. Die Autoren grenzen sie von Burnout und Technostress ab: Sie entstehe nicht aus Arbeitslast oder Technik-Bedienung, sondern aus der ständigen Instabilität des Wissens selbst. Plausibel – aber behauptet, nicht getestet. Ob hier nur ein neues Etikett auf ein bekanntes Phänomen kommt, bleibt offen.
Auch das Umfeld verlangt Vorsicht. Frontiers ist Open Access mit schnellem Begutachtungsprozess, Perspective-Artikel durchlaufen eine leichtere Prüfung als empirische Studien. Und die Autoren kommen aus der Betriebswirtschaft, nicht aus der Arbeitspsychologie.
Kurz: eine gut begründete Hypothese, kein Befund.
Warum es trotzdem nützt
Ein Konzept muss nicht bewiesen sein, um zu helfen. Manchmal reicht es, ein Gefühl präzise zu benennen, das vorher namenlos im Raum stand. „Reskilling-Müdigkeit“ gibt einem Phänomen Sprache, das viele kennen und kaum jemand ausspricht – weil ständiges Lernen als Tugend gilt und Müdigkeit darüber wie Undank klingt.
Der zweite Wert liegt in der Schuldfrage. Wenn das Tempo das Problem ist, ist „streng dich mehr an“ die falsche Antwort. Das Paper setzt deshalb bei der Organisation an, nicht beim Einzelnen: geschützte Lernzeit, fest im Plan. Höchstens ein bis zwei größere neue Tools pro Quartal, mit Ruhephase dazwischen. Drei bis fünf Prioritäts-Kompetenzen pro Jahr statt alles auf einmal. Ein gestaffeltes Tempo statt Dauerlauf.
Ob diese Maßnahmen wirken, ist – konsequenterweise – ebenfalls nicht belegt. Aber sie sind konkret, und sie zeigen in die richtige Richtung: weg von der Idee, dass jeder allein hinterherrennen muss.
Was bleibt
Ich nehme aus diesem Paper kein Wissen mit, sondern eine Linse. Wenn ich das nächste Mal das Gefühl habe, nie fertig zu lernen, frage ich nicht mehr nur: Bin ich zu langsam? Sondern auch: Wer bestimmt hier das Tempo – und lässt es sich durchhalten? Keine bewiesene Antwort. Aber die bessere Frage.
Quelle
Biju, T. E., Ambady, A., & K V, T. (2026). AI-driven skill volatility and the emergence of re-skilling fatigue: the human cost of perpetual learning. Frontiers in Artificial Intelligence, 9, 1785979. https://doi.org/10.3389/frai.2026.1785979
Teil einer Reihe über KI und Arbeit: Die Angst, ersetzt zu werden · Nie fertig gelernt (dieser Text) · Automatisieren oder zusammenarbeiten? · Eine Maschine unter Stress.