Es ist 8:07 Uhr, auf dem Bildschirm leuchtet die erste Rechnung. Links ist das PDF geöffnet, rechts das Buchhaltungssystem. Betrag, Zahlungsreferenz, Fälligkeit, Identifikationsnummer des Lieferanten, Kostenstelle. Sechs Felder, mehrere Prüfungen, dann die Schaltfläche „Speichern“. Das nächste Dokument sieht fast genauso aus. Und das übernächste auch.
Doch der Mitarbeiter trägt nicht nur Zahlen ein. Er bemerkt ein geändertes Konto, eine falsche Steuer, ein Duplikat und eine noch offene Bestellung. Die Routine wird zur Recherche, Kommunikation und Entscheidung, obwohl sie von außen wie eine einzige Stelle wirkt.
Dann führt das Unternehmen ein System ein, das Standardrechnungen liest und vorausfüllt. Was geschieht mit der eingesparten Zeit? Es kann Personal abbauen, mehr Belege bearbeiten, den Rückstau beseitigen oder dem Menschen komplexere Ausnahmen übertragen.
„Ein kompetenter Mensch muss keine Angst haben“ ist daher nur die halbe Wahrheit. Wer fehlerhafte Eingaben erkennt, die Folgen versteht und Verantwortung übernimmt, hat mehr Möglichkeiten. Aber auch ihn schützen weder die Auflösung einer Abteilung noch die Verlagerung von Aufgaben oder die Entscheidung, Produktivität ausschließlich in Einsparungen umzuwandeln.
Dieser Text teilt Menschen deshalb nicht in wertvoll und entbehrlich ein. Er zerlegt Arbeit in Schritte und untersucht, was geschieht, wenn ausgerechnet die bislang bezahlten Schritte verschwinden.
Eine Rechnung ist nicht gleich eine Aufgabe
Das Wort „Arbeit“ verbindet mehrere Ebenen, die im alltäglichen Gespräch leicht ineinanderfließen. Ein Beruf ist eine breite gesellschaftliche Kategorie. Eine Stelle ist eine konkrete Vereinbarung zwischen einem Menschen und einer Organisation. Eine Aufgabe ist eine einzelne Tätigkeit: ein Dokument lesen, eine Angabe finden, sie mit der Bestellung vergleichen, über eine Ausnahme entscheiden, eine Abweichung erklären und die Folgen einer Fehlentscheidung tragen.
Technologie greift gewöhnlich nicht in alle Ebenen gleichzeitig ein. Die Tabellenkalkulation schaffte die Buchhaltung nicht ab, beseitigte aber einen Teil des manuellen Addierens. Die Suchmaschine schaffte weder Anwälte noch Journalisten ab; sie verkürzte lediglich den Weg zum Dokument und erhöhte den erwarteten Umfang der Recherche.
Generative KI ist wegen der Breite der Aufgaben ungewöhnlich, die sie nachahmen kann. Sie kann eine standardisierte E-Mail schreiben, einen Text zusammenfassen, eine freie Antwort in eine Tabelle übertragen, Code entwerfen, eine Gliederung erstellen oder ein Dokument übersetzen. Das sind dennoch keine vollständigen Berufe. Es sind Teile einer Arbeitskette mit unterschiedlichen Eingaben, unterschiedlichen Fehlerkosten und einem unterschiedlich hohen Bedarf an menschlichem Kontext.
Dieselbe Stelle umfasst Schritte mit sehr unterschiedlichem Automatisierungspotenzial.
Betrag, Datum und Kennung aus einem digitalen Dokument entnehmen.
Werte in die vorgesehenen Felder und das richtige Format eintragen.
Bestellung, Vertrag und erwarteten Preis finden; die Abweichung markieren.
Die Ausnahme beurteilen, eine Korrektur anfordern, die Wahl erklären und ihre Folgen tragen.
Auch „ersetzen“ kann Unterschiedliches bedeuten. Die Übernahme der Dateneingabe verändert den Arbeitsinhalt; wenn zwei von drei Stellen nicht nachbesetzt werden, verändert sich die Zahl der Arbeitsplätze. Ein niedrigerer Preis kann jedoch zusätzliche Kunden anziehen und die Beschäftigung erhöhen. Eine technische Fähigkeit lässt mehrere wirtschaftliche Ergebnisse zu.
Eine Debatte, die nach einer Liste „zum Untergang bestimmter Berufe“ sucht, setzt deshalb zu hoch an. Die Antwort liegt eine Ebene tiefer: darin, aus welchen Aufgaben ein Beruf besteht, wie viel Zeit jede davon beansprucht und was die Organisation mit dem Gewinn tut, den die Automatisierung erzeugt.
Der Beruf ist für eine Prognose eine zu grobe Einheit
Die Internationale Arbeitsorganisation bewertete in ihrer Aktualisierung von 2025 insgesamt 29.753 Aufgaben, die 436 detaillierten ISCO‑08‑Berufsgruppen zugeordnet wurden. Das Ergebnis lautete nicht, dass ein Viertel der Menschen seinen Arbeitsplatz verlieren werde. Etwa jeder vierte Beschäftigte weltweit arbeitet in einem Beruf, der generativer KI in gewissem Maß ausgesetzt ist; nach Einschätzung der Autoren ist eine Veränderung der Arbeit jedoch wahrscheinlicher als die vollständige Abschaffung einer ganzen Stelle. Am höchsten bleibt die Exposition in Verwaltungs- und Büroberufen.[1]
Exposition ist eine Möglichkeit, keine Kündigung. Sie bedeutet, dass heutige Systeme theoretisch einen erheblichen Teil der Aufgaben ausführen könnten. Sie sagt nicht, dass ein Unternehmen das Werkzeug kauft, mit Datenbanken verbindet, den Datenschutz löst, das Fehlerrisiko trägt und seinen Organisationsprozess verändert. Erst recht sagt sie nicht, ob höhere Leistung zu weniger Beschäftigten führt.
Die Gemeinsame Forschungsstelle der Europäischen Kommission erfasst das Problem mit einem anderen Maßstab. In einer 2026 veröffentlichten Analyse verband sie 352 Forschungsbenchmarks für KI mit vierzehn kognitiven Fähigkeiten, 108 Arbeitsaufgaben und 127 Berufsgruppen und verfolgte die Entwicklung der Exposition von 2008 bis 2024. Informations- und wissensintensive Berufe erscheinen stärker exponiert als einfache Berufe.[3]
Das korrigiert einen zweiten verbreiteten Irrtum: Es geht nicht nur um einfache Büroarbeit. KI betrifft auch Programmierer, Lehrkräfte, Ingenieure, Analysten und Juristen, weil sie mit Text, Suche, Informationsklassifikation und abstrakten Mustern arbeitet. Eine hohe Exposition kann jedoch sowohl die Möglichkeit einer Ersetzung als auch die einer starken Ergänzung des Menschen bedeuten. Ein System kann einem Radiologen einen Teil der Routineauswertung abnehmen und zugleich die Zahl der Fälle erhöhen, die er sicher bewältigt. Ein Anwalt kann weniger Zeit für die erste Recherche aufwenden, dafür mehr für die Prüfung der Relevanz und die Prozessstrategie.
Die richtige Frage lautet daher nicht: „Ist mein Beruf sicher?“ Sie lautet: „Welche Teile meines Ergebnisses lassen sich abtrennen, präzise beauftragen, automatisch erzeugen und kostengünstig prüfen?“ Je mehr vom Arbeitstag dieses Quartett abdeckt, desto stärker gerät der Preis dieser Arbeit unter Druck.
Fünf Merkmale einer Aufgabe, die zuerst billiger wird
Am schnellsten lässt sich eine Aufgabe mit digitaler Eingabe automatisieren. Eine E-Mail, ein Dokument, eine Datenbankzeile, ein Audiotranskript oder ein Bild können einem System übergeben werden, ohne dass es sich physisch in der Welt bewegen muss. Ist der Ablauf außerdem wiederholbar, erhält das Modell immer wieder ähnliche Aufträge. Eine standardisierte Ausgabe — Klassifikation, kurze Zusammenfassung, ausgefülltes Formular oder ein Stück Code — verringert die Unsicherheit darüber, was entstehen soll.
Das vierte Merkmal sind genügend Beispiele. Die Organisation verfügt über ein Archiv früherer Antworten, gelöster Fälle oder genehmigter Dokumente. Das fünfte ist eine kostengünstige Kontrolle. Wenn eine Regel, ein Test, eine Summe oder eine kurze menschliche Prüfung den Fehler erkennt, kann die Generierung in großem Maßstab betrieben werden. Treffen alle fünf Eigenschaften zusammen, ist der wirtschaftliche Druck selbst dann stark, wenn die KI nicht perfekt ist. Es genügt, dass sie gut genug und billiger als der bisherige Ablauf ist.
Widerstandsfähiger sind dagegen meist Aufgaben mit unvollständigem Kontext, physischer Umgebung, wechselnden Ausnahmen, widersprüchlichen Zielen und hohen Fehlerkosten. Nicht weil KI sie niemals bewältigen könnte, sondern weil Integrations-, Kontroll- und Haftungskosten die Einsparung mindern. Wer eine fremde Wohnung betreten, einen Kunden beruhigen, die Sicherheit beurteilen und bei einer unerwarteten Situation improvisieren muss, führt keine einzelne, saubere Operation aus.
Der Test beurteilt nicht den Wert eines Menschen, sondern die technische und wirtschaftliche Struktur einer Tätigkeit.
Text, Bild, Ton oder strukturierte Daten lassen sich ohne physischen Eingriff verarbeiten.
Der Ablauf kann in stabile Regeln, eine Anweisung oder einige Beispiele übersetzt werden.
Die Einsparung pro Fall ist klein, vervielfacht sich aber über Tausende Wiederholungen.
Es gibt eine erwartete Antwort, ein Formular, eine Klassifikation oder ein messbares Format.
Ein Test, eine Datenbank, eine Summe oder eine kurze Kontrolle durch einen Beschäftigten prüft die Richtigkeit.
Erfordert ein Fehler fachliches Urteil und eine verantwortliche Person, endet die Automatisierung nicht mit der Generierung.
Routine bedeutet dabei nicht Bedeutungslosigkeit. Die Kontrolle von Angaben schützt Unternehmen vor Betrug und Kunden vor Fehlern. Dateneingabe kann das Eingangstor zu Fachwissen sein. Das Problem ist nicht die moralische Qualität der Aufgabe, sondern dass sich ihr Ergebnis leicht vom Menschen trennen, messen und günstiger einkaufen lässt.
Automatisierbarkeit ist zudem keine sofortige Automatisierung. Altsysteme, schlechte Daten oder Regulierung können einen einfachen Prozess jahrelang festhalten; eine digitale Plattform kann den Wandel dagegen innerhalb weniger Monate verbreiten.
„Ein kompetenter Mensch“ ist weder Titel noch Pose
Das Wort kompetent kann leicht zu einer schmeichelhaften Bezeichnung für Menschen werden, die bereits Macht, Bildung und eine gut bezahlte Position besitzen. In diesem Artikel meint es etwas Engeres und Beobachtbares: Ein Mensch kann aus einem unklaren Ziel einen überprüfbaren Auftrag machen, eine fehlerhafte Eingabe erkennen, das richtige Maß an Kontrolle wählen, einen Zielkonflikt erklären und Verantwortung für das Ergebnis übernehmen.
Eine solche Fähigkeit kann sich bei einer Buchhalterin ebenso zeigen wie bei einem Installateur, einer Pflegekraft, einem Anwalt oder einer Lagerleiterin. Sie ist weder mit Tippgeschwindigkeit und der Menge gespeicherten Wissens identisch noch mit der Fähigkeit, einen eindrucksvollen Prompt zu formulieren. Ein Prompt ist billig. Fachlicher Kontext, Kenntnis der Ausnahmen und das Vertrauen anderer Menschen entstehen langsamer.
Ein kompetenter Beschäftigter bemerkt, wenn bereits der Auftrag zum falschen Ergebnis führt. Er weiß, wann eine Zahl zwar stimmt, aber etwas anderes misst. Er erkennt, dass ein automatisch erstellter Vertrag die tatsächliche Risikoverteilung nicht regelt. Er kann „Ich weiß es nicht“ sagen, weitere Informationen anfordern und einen Prozess stoppen, dessen Fehler teurer wäre als die eingesparte Zeit.
Diese Definition ist kein Loblied auf das einsame Genie. Viele Menschen verrichten eine enge Routine, weil das Unternehmen ihre Arbeit so gestaltet hat: Es gab ihnen weder die nötigen Informationen noch Befugnisse, Zeit oder Weiterbildungsmöglichkeiten zum Entscheiden. Ein Mensch kann kompetent sein und trotzdem den ganzen Tag Daten abschreiben, weil jede Abweichung vom Ablauf bestraft würde. Die Automatisierung enthüllt dann nicht seinen geringen Wert. Sie enthüllt die geringe Breite der Rolle, die die Organisation geschaffen hat.
KI mindert nicht den Wert eines Menschen, dessen Rolle im routinemäßigen Klicken bestand. Sie senkt den Preis des Klicks, den das Unternehmen vom Urteil getrennt hat.
Widerstandsfähigkeit entsteht deshalb nicht allein durch individuelles Lernen. Sie braucht auch Zugang zu einem größeren Teil des Prozesses. Wer nur ein einziges Feld sieht, lernt nur schwer, über den gesamten Fall zu entscheiden. Ein Unternehmen, das nach der Automatisierung menschliches Urteilsvermögen nutzen will, muss bereits vor dem Wandel Bedingungen schaffen, unter denen Menschen es tatsächlich einsetzen können.
Ein unbequemes Paradox: KI hilft mitunter Menschen mit geringerer Ausgangsleistung am stärksten
Die einfache Erzählung lautet: Die besten Beschäftigten erhalten KI und bauen ihren Vorsprung weiter aus. Eine Feldstudie zeigt jedoch den umgekehrten Mechanismus. Die Analyse umfasste 3.006.395 Chats von 5 172 Beschäftigten im Kundendienst aus dem Zeitraum September 2019 bis Juni 2021; eine randomisierte Pilotphase mit rund 50 Personen fand im August 2020 statt, die breitere Einführung folgte von Oktober 2020 bis Mai 2021. Die Hauptschätzung aus der gestaffelten Einführung, ausgewertet mit Difference‑in‑Differences, ergab 15,2 Prozent mehr gelöste Fälle pro Stunde.[4]
Der Durchschnitt verdeckt jedoch den wichtigsten Unterschied. Beschäftigte im leistungsschwächsten Quintil verbesserten sich um etwa 36 Prozent, während die Studie bei der leistungsstärksten Gruppe keine statistisch signifikante Veränderung der Produktivität feststellte. Weniger erfahrene Menschen und Beschäftigte mit geringerer Ausgangsleistung wurden schneller und verbesserten zugleich die Qualität; bei den Erfahrensten waren die Gewinne gering, einige Qualitätsindikatoren gingen leicht zurück. Die Studie betraf ein Unternehmen, einen Beruf und einen auf einen konkreten Prozess trainierten Assistenten. Sie ist keine universelle Prognose.
Der Mechanismus ist dennoch bedeutsam. Das System konnte Antwortmuster verbreiten, die zuvor die besten Beschäftigten verwendet hatten. Ein Teil des stillen Erfahrungswissens wurde zu einer Empfehlung, die einem Neuling zur Verfügung stand. Das kann gesellschaftlich eine gute Nachricht sein: Menschen lernen schneller, Kunden erhalten eine einheitlichere Leistung und Sprachbarrieren verlieren teilweise an Bedeutung.
Gleichzeitig entsteht eine wirtschaftliche Frage. Wenn ein Neuling mit Assistent fast so viel bewältigt wie ein erfahrener Kollege, braucht das Unternehmen womöglich weniger Menschen auf der Einstiegsebene. KI kann also dem einzelnen Neuling helfen und zugleich die Tür zum gesamten Einstiegsmarkt verengen. Das ist kein Widerspruch. Die Produktivität eines Beschäftigten und die Zahl der Arbeitsplätze sind zwei verschiedene Größen.
Das Ergebnis aus einem konkreten Kundendienst lässt sich nicht automatisch auf andere Berufe übertragen.
Geschätzter Anstieg der pro Stunde gelösten Fälle im leistungsschwächsten Quintil nach Einführung des Assistenten.
Vorteil: schnelleres Lernen und Zugang zu zuvor schwer verfügbaren Vorgehensweisen.Bei den leistungsstärksten Beschäftigten fand die Studie keinen signifikanten Produktivitätszuwachs; einige Qualitätsmaße gingen leicht zurück.
Risiko: Die Empfehlung kann den Experten stören oder zu einer bequemeren, aber schlechteren Antwort verleiten.Die OECD verbindet dieses Paradox im Skills Outlook 2025 mit der Entwicklung auf Online-Arbeitsmärkten. Innerhalb von Unternehmen kann KI die Leistung von Einsteigern erhöhen; auf Online-Beratungs- und Freelance-Plattformen sinkt zugleich die Nachfrage nach kurzfristigen Aufträgen und Arbeit für Einsteiger, während Menschen, die schwierigere Aufgaben jenseits der Grenzen heutiger Modelle lösen können, relativ an Bedeutung gewinnen.[2] Mit anderen Worten: Das Werkzeug kann Leistung demokratisieren und gleichzeitig den Preis von Einstiegsarbeit senken.
Die gezackte Grenze: Ein Experte muss erkennen, wann er KI nicht vertrauen darf
Die Fähigkeiten von KI wachsen nicht auf einer geraden Linie vom Einfachen zum Komplexen. Ein System kann ein langes Dokument hervorragend zusammenfassen und an einer kurzen Frage scheitern, für die eine verborgene Angabe mit einer Regel verknüpft werden muss. Es kann einen überzeugenden Entwurf schreiben und eine einzige Bedingung übersehen, die den gesamten Vorschlag ins Gegenteil verkehrt. Zwei Aufgaben, die einem Menschen ähnlich schwierig erscheinen, können auf entgegengesetzten Seiten der technologischen Grenze liegen.
Ein Feldexperiment mit 758 Beraterinnen und Beratern der Boston Consulting Group bezeichnete diese Unebenheit als „gezackte technologische Grenze“. Die Teilnehmenden wurden auf nicht überlappende Gruppen verteilt: 385 bearbeiteten in einem fünfwöchigen Zeitfenster im Mai und Juni 2023 achtzehn realistische Aufgaben innerhalb der damaligen Fähigkeiten von GPT‑4, 373 die einzelne Aufgabe jenseits der Grenze. In der ersten Gruppe erledigten Menschen mit KI 12,2 Prozent mehr Aufgaben, arbeiteten im Durchschnitt 25,1 Prozent schneller und lieferten hochwertigere Lösungen. In der zweiten Gruppe kamen sie bei der einen komplexen Aufgabe 19 Prozentpunkte seltener zum richtigen Ergebnis als die Kontrollgruppe.[5]
Gerade die Einschränkungen der Studie gehören zu ihrer Aussage. Das negative Ergebnis beruht auf nur einem Aufgabentyp; untersucht wurden Eliteberater mit einem Modell aus dem Jahr 2023. Daraus lässt sich nicht folgern, KI verschlechtere Expertenarbeit generell. Sicher ableiten lässt sich, dass Fachleute eine eigenständige Fähigkeit brauchen: erkennen, ob ein konkreter Schritt innerhalb der verlässlichen Fähigkeiten des Werkzeugs liegt, und die Kontrolle nach den Kosten eines möglichen Fehlers ausrichten.
Ein ähnlich unbequemes Ergebnis brachte 2025 ein randomisiertes Experiment der Organisation METR mit sechzehn erfahrenen Entwicklern, die 246 echte Aufgaben in ihren eigenen großen Open-Source-Repositorien bearbeiteten. Mit den damaligen KI-Werkzeugen benötigten sie 19 Prozent mehr Zeit, obwohl sie selbst mit einer Beschleunigung rechneten. Die kleine und spezifische Stichprobe erlaubt keine Verallgemeinerung auf die Programmierung insgesamt. Sie zeigt jedoch, dass ein subjektives Gefühl von Geschwindigkeit keine Produktivitätsmessung ist.[6]
Ein kompetenter Mensch ist deshalb nicht derjenige, der KI am häufigsten verwendet. Es ist derjenige, der das Werkzeug nach der Aufgabe auswählt — nicht die Aufgabe nach dem Werkzeug. Bei einem leicht prüfbaren Entwurf kann er schnell generieren und eine Stichprobe kontrollieren. Bei einem Schriftsatz, einer Sicherheitsentscheidung oder einem Eingriff in ein Konto muss er Quellen, Prozess und endgültige Folge prüfen. Geschwindigkeit ohne kalibriertes Vertrauen kann lediglich die Produktion von Fehlern beschleunigen.
Höhere Produktivität entscheidet noch nicht darüber, wie viele Menschen bleiben
Nehmen wir an, ein Team spart dank KI ein Fünftel seiner Zeit. Damit endet das technische Experiment. Die wirtschaftliche Geschichte beginnt erst. Die Leitung kann die Zahl der Stellen um ein Fünftel senken und denselben Arbeitsumfang beibehalten. Sie kann das Team behalten und die Produktion steigern. Sie kann die Wartezeit beseitigen, die Kunden bislang für normal hielten. Oder sie senkt den Preis, gewinnt mehr Kunden und stellt schließlich zusätzliche Menschen für Tätigkeiten ein, die nicht automatisiert wurden.
Eine Studie zu rund 58 Millionen Profilpositionen und 14 Millionen Stellenanzeigen findet beide Richtungen, bildet jedoch nicht den gesamten Markt ab: Sie erfasst englischsprachige US‑Positionen bei börsennotierten Compustat‑Unternehmen. Die Anzeigen decken 2010–2023 ab, Profilpositionen praktisch den Zeitraum ab 2011. Eine höhere durchschnittliche Exposition von Aufgaben gegenüber KI senkte die Nachfrage nach dieser Arbeit. Konzentrierte sich die Exposition jedoch auf wenige Schritte, verlagerten Beschäftigte ihre Anstrengungen, und produktivere Unternehmen bauten die Beschäftigung auch in anderen Berufen aus. Der Gesamteffekt auf die Zahl der Stellen war deshalb geringer als die direkte Substitution von Aufgaben.[7]
Das beweist nicht, dass sich Beschäftigung immer „von selbst ausgleicht“. Das Ergebnis hängt von Nachfrage, Wettbewerb, Preisen, Einführungsgeschwindigkeit und davon ab, ob die Technologie neue menschliche Aufgaben schafft. Der ökonomische Rahmen von Acemoglu und Restrepo unterscheidet zwischen der Verdrängung von Arbeit, dem Produktivitätseffekt und der Entstehung neuer Tätigkeiten. Automatisierung senkt die Nachfrage nach Menschen bei der übernommenen Aufgabe; günstigere Produktion kann die Nachfrage nach Arbeit an anderer Stelle erhöhen; neue Aufgaben können den Menschen in den Prozess zurückholen.[16]
Nicht das Modell allein entscheidet über das Ergebnis, sondern die geschäftliche und organisatorische Reaktion.
Weniger Arbeitsplätze
Das Unternehmen hält das Produktionsvolumen konstant und besetzt nach Abgängen Stellen nicht neu oder streicht sie unmittelbar.
Mehr Ergebnisse
Dasselbe Team betreut mehr Kunden; die Beschäftigung bleibt gleich, aber die Leistung pro Person steigt.
Warteschlange und Rückstand verschwinden
Die eingesparte Zeit fließt in Kontrolle, eine bessere Verfügbarkeit der Dienstleistung und die Bearbeitung bislang aufgeschobener Fälle.
Niedrigerer Preis, größerer Markt
Eine günstigere Leistung zieht weitere Kunden an und schafft Arbeit in Vertrieb, Integration, Kontrolle oder Betreuung.
Eine dänische Studie verknüpfte eine Befragung von rund 25.000 Beschäftigten an 7.000 Arbeitsstätten in elf exponierten Berufen mit Verwaltungsdaten. Rund zwei Jahre nach der Einführung von ChatGPT — nicht nach zwei Jahren individueller Nutzung — fand sie im Durchschnitt keinen statistisch signifikanten Effekt auf Einkommen oder Arbeitsstunden und schloss durchschnittliche Effekte von mehr als zwei Prozent aus. Zugleich kamen Aufgaben zur Kontrolle und Integration von KI hinzu.[8]
Es geht um Dänemark, eine frühe Phase und eine bestimmte Gruppe von Chatbots. Das Ergebnis ist kein Beleg für dauerhafte Sicherheit. Es belegt, dass eine technologische Fähigkeit sich nicht sofort und über einen einzigen Kanal auf den Arbeitsmarkt überträgt. Zwischen Modell und Kündigung steht die Organisation.
Eine flächendeckende Welle ist bislang nicht belegt. Die ersten Risse sind jedoch ungleich verteilt
Die ehrlichste derzeitige Antwort lautet: In aggregierten Daten sehen wir bislang keine durch generative KI verursachte massenhafte Verdrängung von Beschäftigung; auf einigen eng begrenzten Märkten und in bestimmten Einstellungswegen treten jedoch Veränderungen auf, die zu einer Automatisierung passen. Beide Teile des Satzes sind notwendig. Der erste verhindert Panik, der zweite bequemes Leugnen.
Die Studie bereinigte einen Datensatz von 1 388 711 ausgeschriebenen Aufträgen auf einer globalen Freelance-Plattform; ihre Hauptschätzungen verwendeten 1 218 463 Festpreisaufträge in acht Clustern von Juli 2021 bis Juli 2023. In den acht Monaten nach der Veröffentlichung von ChatGPT gingen Schreib- und Programmieraufträge relativ um 21 Prozent gegenüber Aufträgen mit hohem manuellem Arbeitsanteil zurück. Nach der Einführung von Bildgeneratoren sanken Aufträge zur Bildgestaltung relativ um 17 Prozent. Die verbleibenden Aufträge waren komplexer und besser bezahlt; die durchschnittliche Zahl der Angebote pro offenem Auftrag stieg um 8,57 Prozent.[9]
Dieses Umfeld eignet sich besonders für eine schnelle Wirkung: digitale Ein- und Ausgabe, teilbarer Auftrag, leichter Preisvergleich und eine schwache Kundenbeziehung. Das Ergebnis lässt sich nicht auf ein Krankenhaus, eine Baustelle oder eine Behörde übertragen; es zeigt das Risiko dort, wo eine standardisierte Ausgabe eigenständig verkauft wird.
Das jüngste US-amerikanische Signal stammt aus einem Arbeitspapier des Stanford Digital Economy Lab, das auf ADP-Lohndaten von Millionen Beschäftigten in den USA bis Juni 2026 beruht. Die Revision vom 12. August berichtet, dass die Beschäftigung von 22- bis 25-Jährigen in stark exponierten Berufen 19 Prozent hinter einer hypothetischen Entwicklung zurückblieb, bei der sie mit Gleichaltrigen in weniger exponierten Berufen Schritt gehalten hätte. Die Lücke zeigte sich hauptsächlich in weniger Neueinstellungen, nicht in mehr Entlassungen; bei erfahreneren Beschäftigten gab es keine vergleichbare Lücke.[10]
Die Autoren betonen zugleich, dass es sich um ein deskriptives, nicht um ein kausales Ergebnis handelt. Nach Kontrolle für Bildung wird der Unterschied kleiner, ein Teil des Trends begann bereits vor der generativen KI, und die ADP-Stichprobe zeigt einen stärkeren Effekt als einige landesweite Erhebungen. Die Studie sagt daher nicht, KI habe „einen Stellenverlust von neunzehn Prozent verursacht“. Sie sagt, dass ein zeitlich und beruflich konzentriertes Signal entstanden ist, das beobachtet werden muss.
Der Stanford AI Index 2026 fasst dasselbe Bild zusammen: Ein flächendeckender Beschäftigungskollaps ist nicht belegt, erste Effekte konzentrieren sich jedoch auf weniger Neueinstellungen junger Menschen in exponierten Bereichen. Von 1 753 Befragten in Organisationen, die regelmäßig KI einsetzen und zwischen dem 25. Juni und dem 29. Juli 2025 befragt wurden, erwarteten 32 Prozent für das folgende Jahr einen Rückgang der Gesamtbelegschaft um mindestens drei Prozent; 43 Prozent erwarteten kaum oder gar keine Veränderung. Es handelt sich um Erwartungen der Befragten, nicht um vollzogene Entlassungen oder eine repräsentative Prognose für alle Unternehmen.[11]
Die erste Welle kann deshalb als ausbleibende Stellenausschreibung für Berufseinsteiger, nicht nachbesetzte Stelle, kleinerer externer Auftrag oder höhere Fallzahl pro Person auftreten. Eine Kündigungsstatistik muss sie lange Zeit nicht erfassen.
Wenn wir eine Stufe entfernen: Woher kommen die Experten von morgen?
Einfache Aufgaben haben zwei Seiten. Für das Unternehmen sind sie Kosten. Für Einsteiger sind sie Training. Ein junger Jurist lernt bei Recherchen den Aufbau von Entscheidungen. Eine Programmiererin versteht bei Fehlerbehebungen die Architektur des Systems. Ein Buchhalter entwickelt an Standardbelegen ein Gespür für Ausnahmen. Ein Arzt wird nicht allein durch das Studium eines Lehrbuchs erfahren; er braucht eine Reihe gewöhnlicher Situationen, bevor er eine seltene sicher bewältigen kann.
Übernimmt KI Entwürfe und einfache Fälle, spart das Unternehmen, beseitigt aber einen Teil der Umgebung, in der ein Neuling lernte, Fehler zu erkennen. Der Junior erhält dann nur noch Ausnahmen, ohne Erfahrung mit gewöhnlichen Fällen, oder kontrolliert Ergebnisse, deren Logik er nicht selbst entwickelt hat.
Die Lösung ist nicht die Rückkehr zum Abschreiben, sondern eine neue Ausbildung: zunächst eine Stichprobe selbst lösen, dann mit der KI vergleichen und den Unterschied erklären; zwischen Erstellen, Kontrollieren und Kundenkontakt wechseln; die Fähigkeit bewerten, fehlerhafte Eingaben aufzudecken, nicht nur die Geschwindigkeit.
Ziel ist nicht, unnötiges Klicken zu erhalten, sondern einen gesteuerten Erwerb von Erfahrung.
Risiko: Die KI erzeugt ein fertiges Ergebnis, der Junior bestätigt es nur.
Gegenmaßnahme: zunächst eine Stichprobe selbst lösen, anschließend vergleichen und den Unterschied erklären.
Risiko: Der Beschäftigte erhält nur schwierige Fälle, ohne eine Grundlage aufgebaut zu haben.
Gegenmaßnahme: gesteuerte Eskalation, Mentor und Dokumentation der Gründe, aus denen der Standardablauf versagte.
Risiko: Es fehlen erfahrene Fachkräfte, weil das Unternehmen über Jahre keine Nachfolger ausgebildet hat.
Gegenmaßnahme: schrittweise Verantwortung für den gesamten Fall, Kundenkontakt und Prüfung der Entscheidung.
Die OECD weist darauf hin, dass sich eine veränderte Nachfrage nach Einstiegsarbeit und der steigende Wert komplexerer Aufgaben gleichzeitig vollziehen können.[2] Wenn der Markt die ersten Stufen auf dem Weg zur Fachkompetenz nicht mehr kauft, genügt der individuelle Rat „Sei besser“ nicht. Jede erfahrene Fachkraft war einmal Junior. Der Ausbildungsweg ist Infrastruktur eines Berufsfelds, kein privates Hobby des Einsteigers.
Die These von der Kompetenz wird hier zur organisatorischen Pflicht. Der Mensch kann lernen, aber das Unternehmen muss Raum für praktische Erfahrung bewahren. Die Schule kann die Arbeit mit Belegen stärken, der Staat den Zugang zu Bildung; doch keiner von beiden entscheidet anstelle des Arbeitgebers, ob ein Produktivitätsgewinn in Ausbildung fließt.
Auch der beste Beschäftigte entscheidet nicht allein über das Schicksal seiner Stelle
Kompetenz erhöht die Zahl der Möglichkeiten. Ein Experte kann Kontrolle übernehmen, einen neuen Prozess entwerfen, mit Kunden arbeiten oder seine Zeit auf Aufgaben verlagern, die KI nicht bewältigt. Das ist ein echter Vorteil. Aber es ist keine Versicherungspolice.
Ein Unternehmen kann Automatisierung flächendeckend einsetzen, ohne gute von schlechter Arbeit unterscheiden zu können. Es kann Teams nach einem Tabellenziel zusammenlegen. Es kann eine Tätigkeit an einen Anbieter auslagern, dessen Preis dank KI gesunken ist. Eine ganze Branche kann mit geringerer Nachfrage konfrontiert sein, obwohl die einzelnen Beschäftigten kompetent bleiben. Und der Produktivitätsgewinn kann Eigentümern, Kunden oder einer Plattform zufallen, ohne sich im Lohn des Menschen niederzuschlagen.
Deshalb ist es gefährlich, einen Artikel über KI in ein moralisches Urteil über Entlassene zu verwandeln. Der Verlust einer Stelle ist kein automatischer Beleg dafür, dass ein Mensch „nichts darüber hinaus konnte“. Er entsteht aus dem Zusammenspiel von Fähigkeiten, Aufgabenstruktur, Geschäftsmodell, Verhandlungsmacht und Entscheidungen der Organisation. Kompetenz beeinflusst die Wahrscheinlichkeit, nicht den gesamten Mechanismus.
Die Querschnittserhebung JRC AIM‑WORK lief von Oktober 2024 bis Januar 2025 und sammelte Antworten von 70 316 Menschen im Alter von 16 bis 65 Jahren in allen 27 EU-Staaten. Im Modul zur bezahlten Beschäftigung gaben etwa 29,9 Prozent der erwerbstätigen Befragten an, in den vorherigen zwölf Monaten mindestens einmal ein KI-Werkzeug bei der Arbeit eingesetzt zu haben. Selbstauskünfte belegen keine Kausalität; zugleich dokumentieren sie digitale Überwachung und algorithmische Steuerung und werfen damit die Frage nach Autonomie und Verantwortung ohne entsprechende Befugnisse auf.[14]
Ein produktiverer Beschäftigter kann freier sein, weil er Routine loswird. Er kann aber auch intensiver ausgelastet werden, weil die Norm steigt und jede gesparte Minute sofort mit einem weiteren Fall gefüllt wird. Dieselbe Software kann Urteilskraft ergänzen oder Aufsicht automatisieren. Der Unterschied entsteht in der Gestaltung der Arbeit und darin, wer über diese Gestaltung mitreden darf.
Kompetenz ist ein Vorteil im Arbeitsprozess. Sie ist kein Stimmrecht über die Strategie des Unternehmens.
Tschechien: rasche Verbreitung, ungleiche Chancen und noch keine kausale Bilanz
In Tschechien ist die Nutzung von KI kein Randexperiment mehr. Nach einer Erhebung des Tschechischen Statistikamts nutzten 2025 insgesamt 17,6 Prozent der Unternehmen mit zehn oder mehr Beschäftigten mindestens eine der erfassten KI-Technologien. Ein Jahr zuvor waren es 11,3 Prozent, 2023 nur 5,9 Prozent. Der Indikator umfasst jedoch ein breites Spektrum — von Textanalyse über Inhaltserzeugung bis zur Prozessautomatisierung — und sagt weder etwas über die Nutzungsintensität noch über die Zahl gestrichener Stellen aus.[12]
Der Unterschied nach Unternehmensgröße ist deutlich. KI nutzten 13,4 Prozent der kleinen Unternehmen mit 10 bis 49 Beschäftigten, 28,8 Prozent der mittleren und 54,1 Prozent der großen Unternehmen mit mindestens 250 Beschäftigten. Der EU-Durchschnitt für Unternehmen mit zehn oder mehr Beschäftigten lag im selben Jahr bei 20 Prozent; der tschechische Wert betrug in den harmonisierten Eurostat-Daten 17,6 Prozent.[13]
Ein großes Unternehmen hat mehr Daten, Fachleute, juristische Unterstützung und Fälle, über die sich eine Investition amortisiert. Ein kleines kann ein günstiges Werkzeug kaufen, finanziert eine sichere Integration und Schulung jedoch schwerer. Derselbe Beruf kann deshalb je nach Organisation eine andere Zukunft haben.
Tschechische Unternehmen automatisieren zudem aus unterschiedlichen Gründen: manche wegen der Kosten, andere wegen unbesetzter Schichten oder eines wachsenden Volumens. KI kann daher eine Stelle streichen oder eine Kapazitätslücke füllen; eine landesweite Summe zeigt nicht, was innerhalb einzelner Berufe geschieht.
Cedefop berichtet aus einer von Februar bis Mai 2024 durchgeführten Befragung von 5 342 Beschäftigten im Alter von 16 bis 64 Jahren in elf EU-Staaten, dass 28 Prozent KI bei der Arbeit selbst nutzten oder dass ihre Kolleginnen und Kollegen sie nutzten. Zudem erwarteten 61 Prozent, wegen KI innerhalb von fünf Jahren neue Kenntnisse und Fähigkeiten zu benötigen. Das ist weder eine Erhebung in allen 27 EU-Staaten noch eine tschechische Entlassungsprognose. Entscheidend ist der ungleiche Zugang zum Lernen: Wer Werkzeug, Zeit und den gesamten Prozess erhält, startet anders als ein Mensch, dessen Rolle bis zu ihrer Abschaffung eng bleibt.[15]
Aus der tschechischen Nutzung lässt sich deshalb nicht redlich folgern, dass KI Arbeit wegnimmt — oder dass sie es nicht tut. Wir wissen, dass die Nutzung schnell und ungleichmäßig wächst. Für eine tatsächliche Bilanz fehlen verknüpfte Daten zu Werkzeug, Aufgaben, Neueinstellungen, Löhnen, Stunden und Qualität auf Ebene der Arbeitsstätte.
Ein schnelleres Arbeitsergebnis ist noch keine bessere Arbeit
Produktivität lässt sich nur dort leicht beziffern, wo das Ergebnis einfach messbar ist. Die Zahl der Chats, Dokumente oder Tickets lässt sich gut zählen. Bei Diagnose, Strategie, Unterricht oder Rechtsberatung ist Geschwindigkeit nur ein Teil; weitere sind Qualität, Folgen und Kontrollkosten.
KI kann die Erstellung eines ersten Entwurfs von einer Stunde auf zehn Minuten verkürzen, aber dreißig weitere Minuten für die Prüfung erfordern. Sie kann die Zahl der Texte erhöhen und zugleich kleine Ungenauigkeiten hinzufügen, für die niemand Verantwortung übernimmt. Code entsteht schneller, doch die verborgene Wartung kann teurer werden. Wenn wir nur Arbeitsergebnisse zählen, blenden wir die Fehlerkosten aus der Grafik aus.
Die Aussage, der „Mensch bleibe in der Schleife“, garantiert für sich genommen nichts. Ein Prüfer braucht Fachwissen, Zeit, Quellen und das Recht, eine Ausgabe abzulehnen. Soll er innerhalb einer Minute Hunderte Vorschläge bestätigen und wird Widerspruch bestraft, ist die menschliche Kontrolle bloße Dekoration.
Ein kompetenter Mensch entdeckt hier einen Fehler, den die Kennzahl nicht sieht. Die Organisation muss jedoch auch eine Arbeit als produktiv anerkennen, deren Ergebnis ein gestoppter Irrtum und ein nicht eingetretener Schaden ist.
Verschiedene Studien beantworten verschiedene Fragen. Ihre Zahlen lassen sich nicht zu einer Prognose addieren.
Welche Art von Aussage suchen wir?
Was beobachten wir tatsächlich?
Wo beginnt die Übertreibung?
Aufgabenindizes von ILO und JRC.
Verwaltung und Wissensarbeit enthalten gegenüber KI exponierte, potenziell betroffene Schritte.
Exposition ist weder tatsächliche Nutzung noch eine wirtschaftliche Entscheidung.
Feldexperimente in QJE und Organization Science.
Das Ergebnis hängt von Aufgabe, Beschäftigtem und Fähigkeitsgrenze ab.
Ein Unternehmen oder Experiment repräsentiert nicht die gesamte Wirtschaft.
Freelance-Markt, dänische Daten und US-Lohndaten.
Weniger Neueinstellungen von Berufseinsteigern und ein Rückgang bei bestimmten digitalen Aufträgen.
Eine aggregierte Welle ist bislang nicht belegt; Teile der Ergebnisse sind beobachtungsbasiert.
- Ein langfristiger Beschäftigungsrückgang, der urteilsbasierte und routinemäßige Rollen unabhängig von ihrer Aufgabenstruktur gleich stark träfe.
- Ergebnisse, nach denen fachliche Kontrolle und die Fähigkeit, KI abzulehnen, nach Berücksichtigung der Qualität die Leistung nicht verbessern.
- Ein dauerhafter Zuwachs einfacher Einstiegsstellen, obwohl KI deren vollständige Ausgabe günstig erzeugen und kontrollieren kann.
Kompetenz ist nicht nur die Fähigkeit, eine Ausgabe zu erzeugen, sondern auch den Maßstab ihrer Qualität zu wählen. Wer lediglich einen Standardschritt beschleunigt, konkurriert mit dem Preis der Maschine. Wer den Sinn des Schritts, den akzeptablen Fehler und die Verantwortung für die Folgen bestimmt, verlagert seine Arbeit hin zu Entscheidungen, die sich bislang schwerer von Verantwortung trennen lassen.
Auch dieser Bereich bleibt nicht für immer ein menschliches Monopol. Die Grenze verschiebt sich. Schutz liegt deshalb nicht in einer ein für alle Mal erworbenen Liste von Fähigkeiten, sondern in der Fähigkeit, ein Problem neu zu zerlegen, den Ablauf zu ändern und anzuerkennen, was das Werkzeug besser kann — und was wir ihm nicht ohne Kontrolle anvertrauen dürfen.
Es geht nicht um Angst. Es geht um den Platz in der Verantwortungskette
Der Morgen begann mit einer Rechnung und sechs Feldern. Nach der Automatisierung verschwindet das Übertragen von Betrag, Datum oder Kennung; übrig bleiben Abweichungen und die Entscheidung, ob das Dokument weitergegeben werden darf. Hat das Unternehmen die Rolle auf standardisierte Dateneingabe verengt, fällt der Preis dieses Ergebnisses stark. Ein Mensch, der den Prozess versteht, kann Ausnahmen, Kontrolle und Verbesserung des Systems übernehmen.
Das ist der Kern des optimistischen Teils der Geschichte: Wer ein Problem richtig eingrenzen, einen Fehler erkennen, mit Menschen arbeiten und für das Ergebnis einstehen kann, hat mehr Möglichkeiten, nützlich zu bleiben. KI kann ihm Routine abnehmen und seine Reichweite vergrößern. Kompetenz ist immer weniger die Geschwindigkeit, mit der ein erster Entwurf entsteht, und immer mehr die Qualität der Entscheidungen rund um ihn.
Der pessimistische Teil ist ebenso wichtig. Ein Unternehmen muss die gesparte Zeit nicht in bessere Arbeit umwandeln. Es kann eine Stelle streichen, bevor es dem Menschen einen Weg in eine breitere Rolle anbietet. Es kann Juniorenstufen abschaffen, das Tempo erhöhen und die Verantwortung beim Beschäftigten belassen. Auch ein kompetenter Mensch kann durch eine Entscheidung seine Stelle verlieren, die er nicht selbst getroffen hat.
Deshalb ist es ungenau zu sagen, ein kompetenter Mensch müsse nichts fürchten. Genauer ist: Kompetenz erhöht die Zahl der Möglichkeiten und damit die Widerstandsfähigkeit, nicht die Immunität. Noch stärker wird sie durch eine Organisation, die Urteilskraft braucht, entwickelt und Menschen die Befugnis gibt, sie einzusetzen.
Künstliche Intelligenz beginnt nicht mit der Berufsbezeichnung im Arbeitsvertrag. Sie beginnt mit einem Schritt, der sich herauslösen, in einem Satz beschreiben und kostengünstig kontrollieren lässt. Für die Widerstandsfähigkeit eines Menschen ist dann mitentscheidend, ob seine Arbeit mit diesem Schritt endete — oder erst dahinter begann.
Was der Artikel behauptet — und was nicht
Der Text führt Aufgabenindizes zur technischen Exposition, Produktivitätsexperimente, Verwaltungsdaten und Beschäftigtenbefragungen zusammen. Diese Quellen sind nicht austauschbar. Ein Experiment kann eine Leistungsänderung bei einer konkreten Aufgabe belegen, nicht aber die Zahl künftiger Stellen. Beobachtungsdaten können eine parallele Entwicklung erfassen, beweisen ohne weitere Identifikation jedoch nicht, dass KI sie verursacht hat.
- „Kompetenz“ bezeichnet hier eine Reihe beobachtbarer beruflicher Fähigkeiten, kein moralisches Urteil über einen Menschen.
- Die einleitende Modellsituation ist weder ein tatsächlicher Fall noch eine Aussage über ein konkretes Unternehmen.
- US-amerikanische, dänische und plattformbezogene Ergebnisse werden nicht als Prognose für Tschechien ausgegeben.
- Die tschechischen Daten messen die Nutzung von Technologien in Unternehmen, nicht deren kausale Wirkung auf die Beschäftigung.
- Der Stand der Quellen und Links wurde zum 24. August 2026 geprüft; schnell veränderliche Arbeitspapiere müssen vor der Veröffentlichung erneut kontrolliert werden.