---
reihe: Work After AI
ausgabe: 2026
titel: Der große Irrtum vom Jobkiller KI
untertitel: Die jährliche Standortbestimmung zur Transformation der Arbeitswelt durch künstliche Intelligenz
autor: Gerhard Kürner
orcid: 0009-0003-0611-0526
fassung: 1.2
datum: 2026-09-24
veroeffentlicht: true
doi_werk: 10.5281/zenodo.22862384
doi_fassung: 10.5281/zenodo.22934893
lizenz_text: Creative Commons Namensnennung 4.0 International (CC BY 4.0)
website: https://www.workafterai.org
kennungen: Kapitel C, Kernbefunde K, Prognosen P, Vergleichsmarken V, Quellen Q; Präfix WAAI-2026
zitierempfehlung: "Kürner, Gerhard (2026): Work After AI 2026. Der große Irrtum vom Jobkiller KI. Work After AI, Ausgabe 2026, Fassung 1.2. Wels: Kuerner Group GmbH. DOI 10.5281/zenodo.22862384."
---
**WORK AFTER AI · Die jährliche Standortbestimmung zur Transformation der Arbeitswelt durch künstliche Intelligenz · Ausgabe 2026**
# Der große Irrtum vom Jobkiller KI
## Vorwort
Dieser Report ist aus einem Widerspruch entstanden. In den Schlagzeilen frisst die künstliche Intelligenz Arbeitsplätze, in den amtlichen Statistiken sucht man den Jobkiller vergeblich. Man findet dort etwas anderes, und zwar in fast jeder Datenreihe dasselbe: eine Technologie, die breit erprobt wird und nur selten wirklich produktiv im Einsatz ist, einen Berufseinstieg, der sich verändert, ohne dass jemand die Ursache genau angeben kann, und eine Organisation, die noch nicht weiß, wie sie mit einem Kollegen arbeiten soll, der keine Person ist.
Der Titel dieser ersten Ausgabe ist eine Behauptung, und der Report ist ihre Prüfung. Er zerlegt die Schlagzeile vom Jobkiller in drei Vorgänge, die verschiedene Ursachen haben und in verschiedenem Tempo ablaufen: das KI-Argument, die Karrierelücke und den langen Umbau. Jeden davon prüft er an den besten verfügbaren Belegen, an amtlichen Statistiken, an begutachteten Studien, an den Nutzungsdaten der Anbieter selbst und an dokumentierten Fällen aus den Unternehmen. Wo sich die Befunde widersprechen, steht das im Text. Wo ein Beleg von jemandem stammt, der ein eigenes Interesse am Ergebnis hat, steht das daneben. Wo eine Zahl nicht geprüft werden konnte, kommt sie nicht vor.
Die Ökonomin Carlota Perez hat 2002 in „Technological Revolutions and Financial Capital" beschrieben, dass jede große technologische Revolution seit der industriellen Revolution in zwei Hälften zerfällt. In der ersten, der Installationsphase, treibt das Finanzkapital die neue Technik mit Überschwang und Blasen voran; in der zweiten, der Ausbreitungsphase, kommen die Gewinne erst dann flächendeckend an, wenn Institutionen, Arbeitsweisen und Fähigkeiten sich an die Technik angepasst haben.[1] Legt man dieses Muster über das Jahr 2026, erkennt man fast alles wieder: die Investitionswelle, die Bewertungen, die lauten Ankündigungen, und dahinter eine Wirtschaft, die die Technik noch gar nicht in ihre Arbeit übernommen hat. Der Jobkiller gehört in die erste Hälfte dieser Geschichte. Die Fragen, um die es in diesem Report geht, gehören in die zweite. Wie schnell baut eine Organisation die Fähigkeit auf, mit der Technologie zu arbeiten? Und was geschieht mit jenen, die es nicht tun?
Work After AI erscheint von nun an jedes Jahr im Herbst, in derselben Gliederung, mit denselben Kernfragen und mit einem Prognosekapitel, das ich im Folgejahr öffentlich benote, meine eigenen Prognosen ebenso wie die der anderen. Den eigentlichen Wert soll nicht die einzelne Ausgabe haben, sondern die Reihe, die über die Jahre sichtbar macht, was sich tatsächlich verändert hat und was nur angekündigt war. Dazu gehört, dass ich meine eigene Interessenlage offenlege, denn ich verdiene mein Geld mit Unternehmenssoftware, die künstliche Intelligenz nutzt. Der Report ist deshalb ausdrücklich an keinen Anbieter, kein Modell und kein Beratungsunternehmen gebunden, und er empfiehlt nichts, was sich kaufen ließe. Er ordnet die Diskussion. Welche Konsequenzen daraus zu ziehen sind, entscheidet jedes Unternehmen selbst, und genau darum geht es.
Gerhard Kürner, Wels, im September 2026
---
## Die zehn Kernbefunde des Jahres 2026
**1. Der Jobkiller ist eine Story der Kapitalmärkte.** Nur rund 5 Prozent der amerikanischen Unternehmen, die künstliche Intelligenz nutzen, melden überhaupt eine Wirkung auf ihre Beschäftigtenzahl, und die Technologie ersetzt gut dreimal so häufig Software wie Menschen. Der Stellenabbau, der mit ihr begründet wird, folgt der Logik der Börse, nicht der Betriebe.[2]
**2. Die Erwartung überholt die Messung.** 32 Prozent der Unternehmen erwarteten 2025 für das Folgejahr einen Rückgang ihrer Belegschaft durch KI, 14 Prozent haben ihn ein Jahr später tatsächlich erlebt, und trotzdem erwarten ihn nun 39 Prozent für das nächste Jahr. Dieselben Unternehmen haben ihre Prognose verfehlt und erwarten anschließend mehr davon.[3]
**3. Die Karrierelücke entsteht beim Einstellen, nicht beim Kündigen.** Die Beschäftigung der 22- bis 25-Jährigen in den am stärksten exponierten Berufen liegt in den USA 19 Prozent unter dem Stand der Altersgenossen in weniger exponierten Berufen, und der gesamte Abstand erklärt sich aus rückläufigen Einstellungen. Ob Maschine, Zinsen oder Homeoffice die Ursache ist, ist offen; in Europa ist der Einbruch bisher nur in der Schweiz messbar, was Schutz oder Verzögerung bedeuten kann.[4]
**4. Der Berufseinstieg verschiebt sich von der Ausführung auf die Aufsicht.** Wenn die Maschine die Routinearbeit übernimmt, die früher die Lernaufgabe des Einstiegs war, muss der Einstieg neu gebaut werden. Die duale Ausbildung, die Lernen und Arbeiten nie getrennt hat, ist dafür im deutschsprachigen Raum der unterschätzte Hebel.[5]
**5. Frauen tragen das höhere Risiko und haben den geringeren Zugang.** In Deutschland nutzen Männer generative KI privat um 20 Prozent häufiger als Frauen, im Beruf um 29 Prozent. Bei den 16- bis 24-Jährigen liegen die Frauen vorn. Der Gender Gap entsteht im Betrieb, und er schließt sich dort, wo der Arbeitgeber die Qualifizierung bezahlt.[6]
**6. Was der Einzelne gewinnt, kommt in der Organisation nicht an.** 80 Prozent der Befragten berichten von eigenen Produktivitätsgewinnen. 37 Prozent sehen überhaupt irgendeinen Wert im Betriebsergebnis, aber nur rund 6 Prozent einen messbaren Ergebnisbeitrag von mindestens 5 Prozent. Von diesen 6 Prozent haben knapp drei Viertel ihre Arbeitsabläufe von Grund auf neu gebaut. Der lange Umbau scheitert nicht an der Maschine, sondern an der Organisation.[3]
**7. Delegieren ist eine Führungsentscheidung, und wer nicht mehr prüft, verlernt.** Die Bereitschaft, Arbeit an KI zu übertragen, folgt nur zu einem Drittel aus der Einschätzung der Technologie. Zugleich verliert ein Unternehmen Fähigkeiten, die es längst besitzt, sobald das Ergebnis der Maschine ungeprüft übernommen wird; im Feldversuch lagen Berater mit KI außerhalb der Leistungsgrenze der Maschine 19 Prozentpunkte häufiger daneben als ohne sie.[7][8][9]
**8. Die Organisation der Zukunft gliedert ihre Arbeit nach Themen statt nach Funktionen, und sie wird dabei kleiner.** 43,5 Prozent der berufsbezogenen KI-Nutzung betreffen Aufgaben, die bisher zu einem anderen Beruf gehörten; kleine Teams übernehmen angrenzende Fach- und Prozessthemen mit, die Fachabteilung wird zur Prüfinstanz. Die Personalfunktion selbst steckt dabei in der Pilotfalle: 28 Prozent ihrer Prozesse laufen produktiv mit KI, ihre eigene Erwartung an den Anteil automatisierbarer Aufgaben ist binnen eines Jahres von über 30 auf 20 Prozent gefallen, und Beschäftigte berichten von 3,4 Weiterbildungstagen im Jahr, während die Personalabteilungen 6,2 schätzen.[10][11][12]
**9. Das Marketing ist die erste Funktion, an der sich der Umbau zeigt, von innen wie von außen.** Von innen greifen der Vertrieb mit agentengestützten Teams ins Onlinemarketing und die Geschäftsführung in die Markenführung, während das Marketing selbst nicht ausgreift. Von außen wächst Retail Media auf rund 175 Milliarden Dollar und überholt 2026 das Fernsehen, 82 Prozent der Mitglieder des amerikanischen Verbands der Werbungtreibenden führen eine eigene Inhouse-Agentur, und die Spanne der Agenturholdings reicht von WPP mit minus 5,4 Prozent bis Publicis mit plus 5,6 Prozent. Die Krise trifft das Modell, Zeit zu verkaufen, nicht die Gattung.[13][14][15][16]
**10. In Europa dreht der demografische Druck die Ausgangsfrage um, und über die Zukunft der Arbeit entscheidet die Fähigkeit des Unternehmens, mit der Technologie zu arbeiten.** Deutschland verliert bis 2040 rund 13,3 Millionen Erwerbspersonen an die Rente, das sind 30 Prozent, und die jüngeren Jahrgänge gleichen das nicht aus. Künstliche Intelligenz ist im deutschsprachigen Raum das wahrscheinlichste Instrument, den Wohlstand zu halten, sofern die Unternehmen sie in ihre Arbeit übernehmen, bevor die Erfahrenen mit ihrem Wissen in Rente gehen.[17]
---
## Was ein Trend ist und was nicht, und was dieser Report nicht weiß
Dieser Report unterscheidet drei Dinge, die in der Diskussion über künstliche Intelligenz und Arbeit ständig ineinanderlaufen: was gemessen ist, was eingeschätzt ist und was niemand wissen kann. Gemessen sind die drei Kräfte, um die sich der Hauptteil dreht. Das KI-Argument lässt sich an Kündigungsstatistiken, Unternehmensbefragungen und Kapitalmarktkommunikation nachweisen, die Karrierelücke an Lohnabrechnungs- und Registerdaten, der lange Umbau an Befragungen, amtlichen Erhebungen und inzwischen an den Nutzungsdaten der Modellanbieter selbst. Diese drei Kräfte sind Trends im strengen Sinn, weil sie eine Richtung haben, die sich in mehreren unabhängigen Quellen und über mehr als ein Jahr hinweg zeigt, und weil sich im kommenden Jahr nachprüfen lässt, ob sie anhalten. Eingeschätzt sind die Prognosen und die Ausblicke am Ende der Kapitel; sie geben die Ansicht des Autors wieder, leiten sich aus den belegten Befunden ab und sind im Text als Einschätzung gekennzeichnet. Niemand kann wissen, wie schnell die Technologie selbst besser wird. Dieser Report trifft keine Aussage darüber, wann ein Modell welche Fähigkeit erreicht, er zitiert die Szenarien anderer als Vergleichsmarken und benotet sie, aber er stellt ihnen kein eigenes Szenario zur Seite. Seine Leitthese hängt an dieser Enthaltung nicht, denn sie lautet, dass der Umbau der Arbeit vorerst nicht an der Maschine scheitert, sondern an der Organisation, und das gilt für jede Geschwindigkeit des technischen Fortschritts, die im Jahr 2026 plausibel ist.
Was dieser Report nicht weiß, gehört ebenso auf diese Seite. Er weiß nicht, ob es Schutz oder Verzögerung bedeutet, dass sich beim Berufseinstieg in Europa bisher kein Effekt zeigt, denn die Verbreitung der Technologie liegt hier zwei bis drei Jahre hinter der amerikanischen zurück, und die Messungen, die diese Frage klären könnten, gibt es erst ab 2027. Er weiß nicht, ob die Pilot-Produktiv-Lücke eine Übergangserscheinung ist, die sich mit dem Lernen der Organisationen schließt, oder ob sie sich, wie die Notion-Befragung nahelegt, mit zunehmender Reife weiter öffnet. Er weiß nicht, wie sich die Wirkung in Betrieben unter zehn Beschäftigten darstellt, weil es dafür in Europa keine belastbare Erhebung gibt, und er weiß über Löhne, Weiterbildung und Mitbestimmung in kleinen Betrieben so gut wie nichts. Er weiß nicht, welchen Anteil an den amerikanischen Kündigungen die Technologie tatsächlich hat, weil die Statistik den Grund zählt, den das Unternehmen angibt, und nicht den, der zutrifft. Und er weiß nicht, ob die Nutzungsdaten der Modellanbieter, die er an mehreren Stellen als bislang schärfste Messung führt, in fünf Jahren noch als solche gelten werden, denn keine dieser Datenreihen ist von außen nachrechenbar. Diese Lücken sind nicht Schwächen des Reports, die sich hätten vermeiden lassen, sondern der Stand des Wissens im September 2026, und sie sind der Grund, warum der Report jährlich erscheint.
## Methodik und Offenlegung
Der Report ordnet fremde Evidenz ein und trifft eigene Einschätzungen, und er trennt beides sichtbar. Die Evidenzbasis der Gründungsausgabe besteht aus den im Quellenverzeichnis geführten Quellen, darunter amtliche Statistiken aus Deutschland, Österreich, der Schweiz, Frankreich, den Vereinigten Staaten und der Europäischen Union, begutachtete Studien, Arbeitspapiere von Notenbanken und Forschungsinstituten, die Nutzungsdaten der drei großen Modellanbieter, Befragungen von Beratungsgesellschaften und Softwareanbietern sowie dokumentierte Unternehmensfälle. Für jede Quelle gilt derselbe Ablauf. Sie wird im Original gelesen, und jede im Text verwendete Zahl wird an der Primärfundstelle geprüft und, soweit es eine zweite unabhängige Quelle gibt, an dieser gegengeprüft. Abweichungen zwischen beiden werden im Text oder im Quellenverzeichnis ausgewiesen und nicht geglättet, und Zahlen, die diese Prüfung nicht bestanden haben, kommen im Text nicht vor, auch wenn sie in der Presse kursieren. Zu jeder Quelle gibt es ein internes Dossier mit Verifikationsstand, Einschränkungen und einer Liste gesperrter Werte, das die Grundlage künftiger Ausgaben bildet. Kommerzielle und interessengeleitete Absender, also Beratungen, die den beschriebenen Umbau selbst verkaufen, Anbieter, deren Geschäft an der Verbreitung der Technologie hängt, Verbände und Unternehmen in eigener Sache, sind an jeder Stelle als solche gekennzeichnet; ihre Zahlen werden als Selbstauskunft geführt, nie als Messung. Stellenanzeigen werden nie als Beschäftigungseffekt gelesen, und die Exposition eines Berufs gegenüber der Technologie wird nie mit seiner Ersetzung gleichgesetzt, weil beide Verwechslungen die häufigsten Fehler der öffentlichen Diskussion sind.
Der Report stützt sich ausschließlich auf Quellen, die jeder Leser selbst prüfen kann. Bis zur Fassung 1.1 flossen zusätzlich Einschätzungen aus Arbeitsgesprächen des Autors mit Eigentümern und Management ein. Sie sind mit der Fassung 1.2 entfallen, weil diese Gespräche weder nach einem Stichprobenplan geführt noch protokolliert wurden und sich deshalb von außen nicht nachprüfen lassen. Eigene Einschätzungen trifft der Report seither nur an zwei gekennzeichneten Stellen, in den Prognosen und im Abschnitt „Der Blick nach vorn" am Ende der Kapitel, und beide leiten sich aus den belegten Befunden ab. Ab der Ausgabe 2027 kommt der DACH-Vorstands-Puls hinzu, ein fester Katalog von Kernfragen, die jedes Jahr in derselben Form gestellt werden; Fragebogen, Teilnehmerzahl und Feldzeit werden mit jeder Ausgabe veröffentlicht. Hinzu kommt dann die Leitkennzahl des Reports, die Produktivquote, also der Anteil der Unternehmen, in denen mindestens ein KI-System im Regelbetrieb eine Kernaufgabe übernimmt, außerhalb von Pilot, Test und Einzelinitiative. Die Gründungsausgabe verzichtet auf beides, weil eine Messung, die nur einmal existiert, keine Zeitreihe ist.
Künstliche Intelligenz hat an diesem Report mitgearbeitet, und das steht hier. Recherche, Quellenprüfung, Entwürfe, Lektorat und die Verwaltung des Quellenbestands liefen auf der Plattform von 506.ai, in einer Arbeitsumgebung, in der jede Prüfung dokumentiert wird; für die agentische Prüfung der Quellen, also das selbständige Aufsuchen der Primärfundstelle, den Abgleich jeder Zahl an einer zweiten Quelle und das Führen der Sperrlisten, wurden eigens Skills entwickelt, die diesen Ablauf für jede Quelle in derselben Form durchlaufen. Die Thesen, die Auswahl der Quellen, die Prognosen, jede Entscheidung über den Einbau eines Befunds und jede Freigabe stammen vom Autor, und jeder Text ist von ihm gegengelesen. Der Report führt diese Arbeitsweise nicht als Fußnote, sondern als Teil seines Gegenstands, denn er beschreibt eine Arbeitsteilung zwischen Mensch und Maschine, die er selbst praktiziert, mit denselben Grenzen, die er in den Kapiteln beschreibt. Die Maschine hat mehrfach Zahlen erfunden, wo eine Abbildung keine enthielt, sie hat Quellen falsch zugeordnet und Fassungen verwechselt, und jeder dieser Fehler wurde nur gefunden, weil ein Mensch die Angaben mit der Primärquelle verglichen hat.
Der Report ist eigenfinanziert, und seine Ergebnisse sind nicht käuflich. Er wird von keinem Anbieter, keiner Beratung, keinem Verband und keiner öffentlichen Stelle bezahlt, er enthält keine Anzeigen, und keine der zitierten Organisationen hat den Text vor der Veröffentlichung gesehen. Der Autor legt zugleich seine Interessenlage offen: Gerhard Kürner ist CEO von 506.ai, der europäischen Plattform für Service-as-a-Software und agentisches Engineering, und in weiteren Funktionen im Umfeld von Unternehmenssoftware tätig. Keines dieser Unternehmen ist im Report Quelle, Beleg oder Fallbeispiel, der Report ist an kein Modell und keinen Anbieter gebunden und empfiehlt kein Produkt. Herausgeber ist die Kuerner Group GmbH, Dragonerstraße 54, 4600 Wels, Österreich, Autor ist Gerhard Kürner. Die vorliegende Ausgabe ist unter dem DOI 10.5281/zenodo.22862384 verzeichnet, der Autor unter der ORCID 0009-0003-0611-0526. Zitiert wird der Report als: Kürner, Gerhard (2026): Work After AI 2026. Der große Irrtum vom Jobkiller KI. Work After AI, Ausgabe 2026, Fassung 1.2. Wels: Kuerner Group GmbH. DOI 10.5281/zenodo.22862384. Der Report steht unter der Lizenz Creative Commons Namensnennung 4.0 International (CC BY 4.0), die das Weiterverbreiten, Zitieren und Bearbeiten unter Nennung des Autors erlaubt, und jede Ausgabe bleibt unter einer dauerhaften Adresse erreichbar. Die vorliegende Fassung trägt die Versionsnummer 1.2 und ist am 24. September 2026 erschienen; die Erstveröffentlichung 1.0 erschien am 16. September 2026, die Fassung 1.1 am 18. September 2026. Die Ausgabe 2026 wird bis zum Jahresende fortgeschrieben, wenn neue Daten die Befunde schärfen oder Fehler zu berichtigen sind. Jede Fassung trägt eine eigene Versionsnummer mit Datum. Die jeweils aktuelle Fassung liegt unter workafterai.org, und was sich zwischen den Fassungen geändert hat, steht im Versionsverlauf am Ende des Reports. Seit der Fassung 1.2 erscheint jede Fassung zusätzlich als Maschinenfassung, also als Textfassung mit einer festen Kennung je Kapitel, Kernbefund, Prognose, Vergleichsmarke und Quelle, als Datendateien und als Skill-Paket für Assistenten; die Dateien liegen neben der PDF unter dem Werk-DOI und sind auf workafterai.org beschrieben.
Der Report arbeitet auf drei Ebenen, die unterschiedlich schnell laufen. Die Ausgabe ist die jährliche Ebene. Sie erscheint im Herbst, und sie ist die einzige Stelle, an der die Prognosen des Vorjahres benotet und die Messreihen um ein Jahr verlängert werden. Die Fassung ist die vierteljährliche Ebene. Innerhalb einer Ausgabe folgen bis zu drei weitere Fassungen im Abstand von etwa einem Quartal, jede mit Datum, eigener Versionsnummer und eigener dauerhafter Kennung (DOI), damit sich jedes Zitat auf einen festen Stand bezieht. In einer Fassung werden neue Quellen angehängt und Kernbefunde nachgeschärft; die Prognosen werden innerhalb einer Ausgabe weder verändert noch zurückgezogen, denn eine Prognose, die unterwegs angepasst wird, lässt sich am Jahresende nicht mehr benoten. Eine Fassung erscheint nur, wenn neue Daten einen Befund verändern oder ein Fehler zu berichtigen ist; ein Versionsverlauf ohne Einträge rechtfertigt keine Fassung. Die dritte Ebene sind die Analysen auf workafterai.org. Sie erscheinen zwischen den Fassungen, sobald eine Entwicklung es verlangt und nicht nach Kalender, und jede Analyse nennt den Kernbefund, den sie berührt, und sagt, ob sie ihn bestätigt, verschiebt oder offen lässt; mit der nächsten Fassung wird sie eingearbeitet. Dieser Takt folgt dem Takt der Quellen, denn die amtlichen Statistiken und die großen Befragungen, auf die sich der Report stützt, erscheinen jährlich oder vierteljährlich, und ein Report kann nicht öfter neue Befunde haben als seine Quellen. Für die Gründungsausgabe 2026 gilt wegen ihres Erscheinens im September eine Ausnahme: Vorgesehen sind die Fassung 1.3 Anfang November nach den Herbststudien und die Abschlussfassung 1.4 zum 31. Dezember 2026.
Der Report entwickelt sich weiter, und er weist jede Änderung seiner Methodik aus. Die Gliederung in die drei genannten Kräfte, das Kapitel zur Organisation der Zukunft, das Prognosekapitel mit seinem Block externer Vergleichsmarken und die Regeln der Quellenarbeit bleiben von Ausgabe zu Ausgabe gleich, damit ein Längsschnitt entsteht. Ab 2027 kommen der Vorstands-Puls, die Produktivquote, die Impact-Matrix, die die Wirkung der fünf Veränderungen an der Arbeit, also des KI-Arguments, der Karrierelücke, des langen Umbaus, der neuen Gliederung der Arbeit und des demografischen Drucks, auf 14 Branchen nach Zeithorizont einordnet, und die öffentliche Benotung der Prognosen des Vorjahres hinzu, die eigenen wie die fremden. Was in dieser Ausgabe Einschätzung ist, soll dann Messung sein, und wo sich eine Definition ändert, wird das im Methodenteil der jeweiligen Ausgabe festgehalten, damit sich die Jahrgänge vergleichen lassen.
---
## Drei Kräfte am Arbeitsmarkt, eine falsche Schlagzeile und die Frage, die wirklich zählt
---
### Die Schlagzeile, die zu viel auf einmal erklären will
Kaum eine Story hat sich im vergangenen Jahr so mühelos durchgesetzt wie die von der künstlichen Intelligenz, die den Menschen aus der Arbeit drängt. Sie hat den Vorzug, dass sie sich selbst zu bestätigen scheint, sobald man die Nachrichten aufschlägt. Ein großer Technologiekonzern kündigt an einem einzigen Tag Tausende Stellen, ein anderer streicht ganze Abteilungen, und in fast jeder dieser Mitteilungen taucht das Wort auf, das der Sache ihren Sinn zu geben verspricht. Die Technologie übernimmt, der Mensch tritt ab, und die Statistik der Entlassungen liefert die Belege gleich mit.
Die Story ist eingängig, und sie ist in dieser Form falsch. Nicht weil künstliche Intelligenz keine Spuren am Arbeitsmarkt hinterließe, sondern weil die Schlagzeile drei völlig verschiedene Vorgänge, die in Wahrheit auf unterschiedlichen Ursachen beruhen und auf unterschiedlichen Zeitachsen laufen, zu einer einzigen Geschichte verschmilzt. Wer sie auseinandernimmt, sieht ein Bild, das weniger dramatisch, aber sehr viel folgenreicher ist als das der Schlagzeile. Und er sieht, an welcher Stelle die eigentlich wichtige Frage liegt, die in der Aufregung über die Maschine fast vollständig untergeht.
> „Die Schlagzeile vom Jobkiller KI verschmilzt drei Vorgänge, die in Wahrheit auf verschiedenen Ursachen beruhen und auf verschiedenen Zeitachsen laufen, zu einer einzigen Geschichte."
**[Abbildung 1: Drei Vorgänge mit eigenem Tempo stecken in einer Schlagzeile.]**
### Die erste Kraft ist das KI-Argument, eine Kündigungswelle, die sich künstliche Intelligenz nennt und anders heißt
Die sichtbarste der drei Kräfte ist die Welle der Stellenstreichungen, und sie ist zugleich diejenige, die am wenigsten mit der Technologie zu tun hat, in deren Namen sie geschieht. Eine Befragung der Beratungsfirma Gartner (gartner.com) unter 350 Großunternehmen, die alle bereits mit künstlicher Intelligenz arbeiten, ergab zwar, dass vier von fünf dieser Unternehmen Personal abgebaut haben. Sie zeigte aber zugleich, dass zwischen der Tiefe des Abbaus und dem wirtschaftlichen Erfolg der Investitionen kein Zusammenhang besteht. Wer am stärksten kürzte, stand am Ende nicht besser da, in manchen Fällen schlechter. Das ist ein bemerkenswerter Befund, weil er der inneren Logik der Schlagzeile widerspricht. Wäre der Stellenabbau wirklich das Ergebnis einer produktiveren Maschine, müsste er sich in den Zahlen niederschlagen, doch genau das tut er nicht. [18]
Was sich stattdessen zeigt, ist ein älteres und nüchterneres Muster. Ein erheblicher Teil dessen, was heute als technologische Modernisierung ausgegeben wird, ist die Korrektur einer Überbesetzung, die in den Jahren des billigen Geldes entstanden ist. Investoren aus dem Silicon Valley, die wenig im Verdacht stehen, die Bedeutung der Technologie zu unterschätzen, sprechen es offen aus, dass nahezu jedes große Unternehmen überbesetzt sei, viele um ein Viertel, manche um die Hälfte und mehr. [19] Die künstliche Intelligenz liefert für diesen Abbau das bessere Argument, weil eine Kürzung, die als Modernisierung ausgegeben wird, am Kapitalmarkt anders ankommt als ein schlichter Sparbeschluss. Diese erste Kraft ist also real in ihren Folgen für die Betroffenen, aber sie ist in ihrer Ursache falsch genannt. Dieser Report gibt ihr deshalb den Namen, der ihre Mechanik beschreibt, das KI-Argument.
### Die zweite Kraft, die Karrierelücke, trifft die Berufsanfänger, und über ihre Ursache wird wissenschaftlich gestritten
Die zweite Kraft ist subtiler und ernster. Sie zeigt sich nicht in den Schlagzeilen über einzelne Konzerne, sondern in den Daten über den Eintritt junger Menschen ins Berufsleben. Eine vielbeachtete Untersuchung des Stanford Digital Economy Lab zeigte auf Basis tatsächlicher Lohndaten, dass die Beschäftigung der 22- bis 25-Jährigen in jenen Berufen, die der künstlichen Intelligenz besonders ausgesetzt sind, im Vergleich deutlich zurückgegangen ist, während ältere und erfahrenere Beschäftigte in denselben Berufen stabil blieben oder sogar zulegten. [4] Hier scheint die Technologie also genau das zu tun, was die Schlagzeile behauptet.
Doch an dieser Stelle wird die Sache schwieriger, statt einfacher, denn die Wissenschaft ist sich über die Ursache alles andere als einig. Eine Studie der amerikanischen Notenbank von Jessica Liu und Douglas Webber über mehr als eine Million Unternehmen stellt keinen messbaren Effekt fest,[20] und eine Auswertung des Zahlungsdienstleisters Ramp (ramp.com) mit dem Arbeitsmarktdatenanbieter Revelio Labs (reveliolabs.com) bestätigt zwar den Einbruch beim Berufseinstieg, zeigt aber, dass er gerade nicht von jenen Firmen ausgeht, die künstliche Intelligenz tatsächlich einführen.[21] Der Einbruch ist also nachweisbar, seine Zuschreibung an die Technologie aber umstritten, und ein erheblicher Teil davon dürfte auf die schärfste Zinswende seit vier Jahrzehnten zurückgehen, die jede Neueinstellung beim Berufseinstieg über Nacht teurer gemacht hat. Wer diese zweite Kraft ehrlich behandeln will, muss den Streit aushalten, statt ihn zugunsten der einfachen Geschichte aufzulösen. Weil sich ihr Befund unabhängig vom Ausgang dieses Streits immer an derselben Stelle zeigt, nämlich am Beginn des Berufswegs, führt dieser Report sie unter dem Namen der Karrierelücke.
### Die dritte Kraft, der lange Umbau, ist die tatsächliche Wirkung der Technologie, und sie ist langsamer als ihr Ruf
Die dritte Kraft ist die wirkliche Veränderung, die künstliche Intelligenz in den Unternehmen auslöst, und sie hat mit dem Tempo der Schlagzeilen am wenigsten gemein. Sie verläuft nicht über die spektakuläre Ersetzung ganzer Belegschaften, sondern über die langsame und mühsame Umarbeitung von Abläufen, über die Frage, welche Aufgabe ein digitales Teammitglied übernehmen kann und welche nicht, und über die noch viel schwierigere Frage, wie eine Organisation das dafür nötige Wissen überhaupt aufbaut. Diese Kraft ist die folgenreichste der drei, aber sie ist unsichtbar, weil sie sich nicht in einer Pressemitteilung verdichten lässt. Sie geschieht in den Maschinenräumen der Unternehmen, nicht auf ihren Titelseiten. Dieser Report nennt sie den langen Umbau, weil nicht die neue Maschine über den Erfolg entscheidet, sondern die geduldige Umorganisation der Arbeit um die Maschine herum.
### Warum die drei Kräfte ständig verwechselt werden
Die Verschmelzung der drei zu einer einzigen Geschichte ist kein böser Wille, sondern eine verständliche Verwechslung, denn alle drei geschehen zur selben Zeit. Das KI-Argument, die Karrierelücke und der lange Umbau fallen in dasselbe Zeitfenster, und das menschliche Bedürfnis, gleichzeitige Ereignisse kausal zu verknüpfen, erledigt den Rest. Die künstliche Intelligenz steht ohnehin im Mittelpunkt der Aufmerksamkeit, und so wird sie zur naheliegenden Erklärung für alles, was sich am Arbeitsmarkt zugleich bewegt. Die analytische Leistung besteht nicht darin, eine dieser drei Kräfte zu leugnen, sondern darin, sie sauber voneinander zu trennen und für jede die echte Mechanik zu zeigen.
Diese Trennung ist der Gegenstand der vorliegenden Studie. Sie stützt sich auf die öffentlich verfügbare quantitative Forschung, die sie ehrlich in ihren Widersprüchen ausweist, statt sich die genehmen Befunde herauszusuchen. Sie legt einen Schwerpunkt auf den europäischen Arbeitsmarkt, der in der überwiegend amerikanischen Diskussion ein blinder Fleck ist, obwohl er sich in seinen Strukturen erheblich unterscheidet. Und sie verwendet nur Zahlen, die an ihrer Primärquelle und, wo es eine gibt, an einer zweiten unabhängigen Quelle geprüft sind. Erst mit dieser Trennung und dieser Prüfung lässt sich hinter die Schlagzeile sehen.
### Worum es am Ende wirklich geht
Wenn die drei Kräfte erst einmal getrennt sind, verschiebt sich die Frage, die wirklich zählt, an eine unerwartete Stelle. Sie lautet dann nicht mehr, ob die künstliche Intelligenz Arbeitsplätze vernichtet, denn diese Frage ist, wie sich zeigen wird, falsch gestellt. Sie lautet, wie schnell eine Organisation das Wissen aufbaut, mit dem sie die Technologie überhaupt produktiv macht, und ob sie in der Eile des Stellenabbaus nicht gerade jene Fähigkeit zerstört, die später über ihren Erfolg entscheidet. Diese Frage steht am Ende der Studie, nicht an ihrem Anfang. Der Weg dorthin führt durch die drei Kräfte, und er beginnt mit jener, die am lautesten ist und am wenigsten hält, was ihr Name verspricht.
---
## Das KI-Argument, die lauteste der drei Kräfte, sagt mehr über die Kapitalmärkte als über die Technologie
Die Welle der Stellenstreichungen ist das sichtbarste der drei Phänomene, und sie liefert die scheinbar erdrückendsten Belege für die These vom maschinellen Jobfresser. Wenn ein Konzern an einem einzigen Tag Tausende Stellen kündigt und im selben Atemzug von künstlicher Intelligenz spricht, scheint der Zusammenhang offenkundig. Bei näherem Hinsehen löst er sich jedoch auf, und an seine Stelle tritt eine nüchternere Erklärung, die mit den Eigenheiten der Kapitalmärkte mehr zu tun hat als mit der Leistungsfähigkeit der Technologie.
Den schärfsten Beleg dafür liefert eine Untersuchung der Beratungsfirma Gartner aus dem Frühjahr 2026, die 350 Großunternehmen mit jeweils über einer Milliarde Dollar Umsatz erfasste, von denen jedes bereits mit künstlicher Intelligenz arbeitete. Vier von fünf dieser Unternehmen hatten Personal abgebaut. Der entscheidende Befund liegt aber nicht in dieser Quote, sondern in dem, was sich zwischen der Tiefe des Abbaus und seinem wirtschaftlichen Erfolg zeigt, nämlich nichts. Es besteht keine Korrelation zwischen dem Ausmaß der Kürzungen und dem Erfolg der KI-Investitionen, und wer am stärksten kürzte, stand am Ende nicht besser da, in einigen Fällen schlechter. Helen Poitevin, die bei Gartner für diese Forschung verantwortlich zeichnet, fasst es in dem Satz zusammen, dass viele Vorstandsvorsitzende zu Entlassungen greifen, um schnelle KI-Erfolge vorzuweisen, dass diese Haltung aber fehlgeleitet sei, weil Personalabbau Budgetspielraum schaffe, jedoch keinen Erfolg. Zur Einordnung gehört, dass Gartner diese Befragung nicht als eigenständige Publikation zugänglich gemacht hat; öffentlich sind allein die Kommentierung der Analystin und die daraus zitierten Kennzahlen, während Methodik und Rohdaten nicht offenliegen, und der Befund ist deshalb als Befragung einer Beratungsfirma zu lesen, deren Ergebnisse ein Leser nicht selbst nachrechnen kann. [18]
Dass dieses Muster inzwischen auch dort ausgesprochen wird, wo die Arbeitsmarktdaten entstehen, zeigt eine Bemerkung von Virginia Sondergeld, Ökonomin am Hiring Lab der Jobbörse Indeed (indeed.com), im September 2026 in der Zeit: Unternehmen begründeten Stellenabbau gegenüber Investoren und Öffentlichkeit lieber mit künstlicher Intelligenz als mit der schwachen Konjunktur. Der Satz fiel in einem Artikel über den Einbruch der Einstiegsstellen in Deutschland, dessen Überschrift genau diese Begründung übernahm, während die Daten darunter den Beginn des Rückgangs in das Frühjahr 2022 legen, ein halbes Jahr vor ChatGPT. [141]
**[Abbildung 2: Unternehmen ersetzen mit KI bisher Software, kaum Personal.]**
Dieser Befund widerspricht der inneren Logik der Schlagzeile. Wäre der Stellenabbau wirklich das Resultat einer produktiveren Maschine, müsste er sich in besseren Zahlen niederschlagen. Dass er es nicht tut, deutet auf einen anderen Mechanismus, und dieser Mechanismus ist weder neu noch geheimnisvoll. Ein großer Teil dessen, was heute als technologische Modernisierung firmiert, ist die verspätete Korrektur einer Überbesetzung aus den Jahren des billigen Geldes. Wagniskapitalgeber, die niemand im Verdacht hat, die Bedeutung der Technologie kleinzureden, nennen die wahren Ursachen ungeschönt. Marc Andreessen etwa hält praktisch jedes große Unternehmen für überbesetzt, viele um ein Viertel, die meisten um die Hälfte, manche um drei Viertel, und führt das auf die Nullzinsphase und die hektische Aufstockung der Belegschaften während der Pandemie zurück. Selbst Sam Altman, dessen Geschäft auf der Verbreitung von KI beruht, räumt ein, dass dabei zu einem gewissen Grad geschummelt werde und Firmen Entlassungen der künstlichen Intelligenz zuschrieben, die sie ohnehin vorgenommen hätten, wobei er sich beim genauen Anteil bewusst zurückhält. [19]
Warum aber wählen so viele Unternehmen ausgerechnet dieses Argument, wenn der wahre Grund ein schlichter Sparbeschluss ist? Die Antwort liegt in der Reaktion der Kapitalmärkte. Seit dem Erscheinen der ersten breit zugänglichen Sprachmodelle Ende 2022 stammt nach einer Analyse von J.P. Morgan (jpmorgan.com) rund drei Viertel der Kursgewinne im breiten amerikanischen Aktienindex aus dem Umfeld der künstlichen Intelligenz. [22] In einem solchen Klima kommt eine Kürzung, die als KI-Modernisierung ausgegeben wird, bei den Anlegern gänzlich anders an als ein nüchterner Hinweis auf zu hohe Kosten. Die Personalkosten sind zugleich einer der größten frei steuerbaren Ausgabenblöcke, sodass ihr Abbau die hohen Investitionen in die Technologie quersubventioniert. Der Stellenabbau finanziert KI-Investitionen ohne messbaren Erfolg, und die KI liefert das Argument, das den Stellenabbau rechtfertigt.
> „Der Stellenabbau finanziert KI-Investitionen ohne messbaren Erfolg, und die KI liefert das Argument, das den Stellenabbau rechtfertigt."
An dieser Stelle ist Vorsicht geboten, denn die im Netz kursierenden Zähler, die Tag für Tag Entlassungen mitschreiben, taugen nicht als Beleg. Sie werfen Stellenstreichungen aus der Technologiebranche mit jenen aus der Finanzbranche und dem Gesundheitswesen in einen Topf, die mit der Technologie nichts zu tun haben müssen, und sie kommen so auf Summen, die einer sauberen Nachrechnung nicht standhalten. Aussagekräftig ist deshalb nicht die Statistik der Tagesmeldungen, sondern die eingangs zitierte Befragung der Beratungsfirma Gartner unter 350 Großunternehmen, die belastbar zeigt, dass die Tiefe des Abbaus nichts über den Nutzen der Technologie verrät. [18] Auch das vielzitierte Beispiel eines Konzerns, der trotz glänzender Quartalszahlen Tausende Stellen strich, belegt eher die Logik des Kapitalmarkts als die Wirkung der Technologie, denn wer aus einer Position der Stärke kürzt, tut das selten aus technologischer Notwendigkeit.
Wie sich dieser Mechanismus im Einzelfall beobachten lässt, zeigt die britische Neobank Starling Bank (starlingbank.com) im Juli 2026 in geradezu lehrbuchhafter Deutlichkeit. Das Unternehmen kündigte den Abbau von rund 130 Stellen an, etwa 3 Prozent seiner mehr als 4.000 Beschäftigten, und stellte dies öffentlich als Vereinfachung der Struktur im Zuge des KI-Ausbaus dar. Die zugrunde liegenden Geschäftszahlen sprechen eine andere Sprache. Der Umsatz war im abgelaufenen Geschäftsjahr um 5,6 Prozent auf 887 Millionen Pfund gesunken, der Vorsteuergewinn um rund 3 Prozent auf 217 Millionen Pfund, und Starling selbst nannte als Hauptursache nicht die eigene Technologie, sondern den gesunkenen Leitzins der Bank of England, der den Zinsertrag um 52,5 Millionen Pfund schmälerte. Die Sprachregelung des Unternehmens, wonach Strukturen vereinfacht und Doppelungen abgebaut würden, ist die klassische Restrukturierungsformel, die es lange vor der generativen KI gab, und sie sagt an keiner Stelle, welche der gestrichenen Tätigkeiten tatsächlich durch ein KI-System ersetzt werden. Zugleich stellte Starling klar, weiterhin KI- und Softwareentwickler einzustellen, ein Muster, das eher eine Verschiebung des Personalmixes beschreibt als eine Automatisierung im engeren Sinn. Bemerkenswert ist, dass Starling gleichzeitig ein reales, produktseitiges KI-Engagement vorweisen kann, von der Ausgabenanalyse bis zum agentischen Finanzassistenten, was den Fall so aufschlussreich macht, denn hier verbirgt sich kein Unternehmen ohne KI-Substanz hinter dem Argument, sondern eines mit echter KI-Substanz, das einen durch das Zinsumfeld erzwungenen Sparschritt zusätzlich in jene Story kleidet, die an der Börse besser klingt als der nüchterne Verweis auf sinkende Zinserträge. [23]
Was bei einer Neobank mit mehr als 4.000 Beschäftigten im Kleinen zu besichtigen ist, führte drei Tage später der größte Softwarekonzern der Welt im Großformat vor. Microsoft (microsoft.com) kündigte am 6. Juli 2026 den Abbau von rund 4.800 Stellen an, etwas mehr als 2 Prozent der weltweit gut 220.000 Beschäftigten, und die Agenturmeldungen reihten den Schritt umstandslos in die KI-Entlassungswelle ein, im deutschsprachigen Raum bis hin zu der Formulierung, der Konzern nutze Produktivitätsgewinne aus künstlicher Intelligenz für den Stellenabbau. Das Unternehmen selbst sagte das Gegenteil. Personalchefin Amy Coleman schrieb im Memo an die Belegschaft ausdrücklich, die gestrichenen Rollen würden nicht durch künstliche Intelligenz ersetzt, die Technologie verändere allerdings die Art, wie Arbeit erledigt werde. Die tatsächlichen Ursachen standen in den Finanzdaten gleich daneben, nämlich Investitionen von 190 Milliarden Dollar in KI-Infrastruktur allein im laufenden Jahr, ein Aktienkurs, der binnen neun Monaten rund 30 Prozent und damit etwa 1,2 Billionen Dollar an Börsenwert eingebüßt hatte, und der daraus folgende Druck der Kapitalmärkte auf die operativen Kosten. Deutlicher lässt sich die Quersubventionslogik dieses Kapitels kaum illustrieren, denn in derselben Woche, in der die Kündigungen ausgesprochen wurden, startete Microsoft eine mit 2,5 Milliarden Dollar ausgestattete Einheit, die 6.000 Entwickler direkt in die Unternehmen der Kunden entsendet, um dort KI-Systeme produktiv zu machen. Ersetzt werden also nicht Menschen durch die Maschine, sondern klassische Vertriebs- und Beratungsrollen durch technischere Rollen am selben Ort der Wertschöpfung, während der Stellenabbau die Rechenzentren mitbezahlt. [24]
Der größte Teil der Kürzungen entfällt zudem auf ein Geschäft, dessen Probleme mit der Leistungsfähigkeit der Technologie nichts zu tun haben. Die Spielesparte Xbox verliert im ersten Schritt sechzehnhundert Stellen und bis zum Ende des Geschäftsjahres voraussichtlich rund 3.200, etwa ein Fünftel ihrer weltweiten Belegschaft, und die neue Spartenchefin Asha Sharma begründete dies in ihrem Memo mit bemerkenswerter Offenheit. Das Geschäft sei nicht gesund, es arbeite mit Margen, die drei- bis zehnmal niedriger lägen als bei vergleichbaren Plattform- und Publishing-Geschäften, strategische Wetten wie das Abo-Modell Game Pass seien hinter den Erwartungen zurückgeblieben, und manche Arbeit durchlaufe bis zu 14 Managementebenen, die nun auf höchstens fünf reduziert werden sollen. Das ist erkennbar das Vokabular einer Bilanzsanierung und nicht das einer Automatisierung. Die einzige Stelle, an der die künstliche Intelligenz in dieser Begründung tatsächlich vorkommt, ist eine indirekte, denn die von Sharma beklagte schwerste Hardware-Krise der Branchengeschichte speist sich aus Chippreisen, die ausgerechnet der Rechenzentrumsboom der KI-Anbieter in die Höhe treibt. Wo die Technologie hier auf Beschäftigung wirkt, wirkt sie über den Kapital- und Kostenkanal, nicht über die Produktivität eines digitalen Kollegen. Dass ausgerechnet jener Konzern, der wie kein zweiter von der KI-Story profitiert, die Ersetzungsthese intern schriftlich dementiert, während die Schlagzeilen sie ihm wie selbstverständlich zuschreiben, macht den Fall zum vielleicht aufschlussreichsten des bisherigen Jahres. [24]
Dass diese Mechanik keine angelsächsische Besonderheit ist, hatte wenige Tage zuvor bereits Europas größter Softwarekonzern vorgeführt, und zwar in einer dritten Variante, die ganz ohne Kündigungen auskommt. Am Abend des 1. Juli 2026 kündigte der SAP-Vorstand der Belegschaft in einer internen E-Mail an, Neueinstellungen würden künftig ausschließlich auf ausgewählte Profile konzentriert, vor allem auf zentrale KI-Rollen, die für den langfristigen Erfolg entscheidend seien, interne Reisen ohne KI-Bezug würden pausiert und die Ausgaben für Lieferanten gekürzt, alles zur Finanzierung einer als bedeutend bezeichneten KI-Offensive. Bloomberg hatte das Memo eingesehen, ein Sprecher bestätigte die Stoßrichtung auf Anfrage ausdrücklich, kundennahe Arbeit und kritische KI-Projekte blieben demnach voll finanziert. Aufschlussreich ist bereits die Sprachpolitik, denn während die internationale Presse vom Einstellungsstopp schrieb, sprach das Unternehmen selbst lediglich von größerer Disziplin bei Einstellungen, Ausgaben und Reisen, und die deutsche Wirtschaftspresse betonte, es handle sich nicht um einen generellen Stopp, sondern um strategische Steuerung. Es ist dieselbe Deutungslücke wie bei Microsoft, nur mit vertauschten Rollen, denn dort schärfte die Presse die KI-Zuschreibung gegen das Dementi des Unternehmens, hier dämpft das Unternehmen die Beschreibung einer Kostenbremse, die härter ist, als es sie darstellen mag. Auch in Walldorf lagen die Ursachen nicht im Maschinenraum, sondern am Kapitalmarkt. Die SAP-Aktie hatte seit Jahresbeginn rund ein Drittel ihres Werts verloren, weil Investoren fürchten, die künstliche Intelligenz könne die Nachfrage nach dem klassischen Softwaregeschäft aushöhlen, und einen Tag vor dem Memo hatte der Konzern den Bieterwettbewerb um die Industrie-KI-Firma Cognite verloren, die für 3,1 Milliarden Dollar an Schneider Electric ging. Hier wird niemand entlassen, und dennoch wirkt die Technologie auf die Beschäftigung, nämlich über die Umleitung von Personal- und Sachbudgets in KI-Budgets unter dem Druck eines Kapitalmarkts, der die Disruption des Konzerns bereits eingepreist hat, bevor sie stattgefunden hat. [25]
Seine eigentliche Tiefe gewinnt der Fall erst vor dem Hintergrund seiner Vorgeschichte. SAP (sap.com) hatte Anfang 2025 eine Restrukturierung abgeschlossen, die von zunächst 8.000 angekündigten auf brutto rund 10.000 Stellen angewachsen war und 3,2 Milliarden Euro kostete, während die Gesamtbelegschaft durch gleichzeitige Neueinstellungen weitgehend stabil blieb, ein Umbau also, kein Abbau. Finanzvorstand Dominik Asam hat diese Logik im Herbst 2025 in eine bemerkenswerte Formel gefasst, als er ankündigte, der Konzern werde künftig dauerhaft 1 bis 2 Prozent der Belegschaft pro Jahr abbauen, und dies mit dem Zähneputzen verglich. Die Restrukturierung ist damit kein Ereignis mehr, sondern ein Dauerzustand, eine stille, kontinuierliche Reduktion unterhalb der Schlagzeilenschwelle, die in keiner Entlassungsstatistik als Welle erscheint und doch Jahr für Jahr wirkt. Konzernchef Christian Klein sagte im Frühjahr 2026, es wäre eine Illusion zu glauben, die künstliche Intelligenz treibe die Produktivität und die Belegschaft sehe am Ende trotzdem gleich aus, von bestimmten heutigen Rollen werde man weniger brauchen. Dass ausgerechnet jener Konzern, der im Sommer 2025 dank seiner KI-Wette zeitweise als wertvollstes Unternehmen Europas gefeiert wurde, ein Jahr später an Einstellungen, Reisen und Lieferanten spart, um dieselbe Wette weiterzufinanzieren, macht ihn zum europäischen Schlüsselfall dieses Kapitels und verweist zugleich auf eine Frage, die der zweite Teil dieses Reports vertieft, nämlich aus welcher Kapitaltiefe europäische Unternehmen ihr KI-Rennen eigentlich bestreiten. [25]
Den vierten Fall liefert der Konzern, der die Ersetzungsthese am lautesten vertreten hat, und er ist der aufschlussreichste, weil dort das Argument kein Vorwand war, sondern der Plan. Nach einem Sonderbericht der Nachrichtenagentur Reuters vom 26. August 2026, gestützt auf interne Unterlagen und Gespräche mit mehr als 20 Beteiligten, entwarf die Führung von Meta (meta.com) im Januar 2026 unter dem Namen Project OT den Umbau zu einem Unternehmen, in dem KI-Akteure einen Großteil der täglichen Arbeit tausender Beschäftigter übernehmen und kleine, mit Spitzenkräften besetzte Kader sie beaufsichtigen. In der Szenarioplanung wurden einzelne Teams um bis zu 60 Prozent verkleinert, der Abbau sollte in zwei Wellen im Mai und im November laufen, und Meta hat den Plan, die zwei Wellen und das Szenario gegenüber Reuters bestätigt, die Absicht eines Abbaus in dieser Größenordnung für die gesamte Belegschaft aber bestritten. Am Abend des 19. Mai, wenige Stunden vor der ersten Welle, sagte Mark Zuckerberg die Planung der zweiten ab. Die erste lief am nächsten Morgen wie vorgesehen und betraf rund 8.000 Beschäftigte, also 10 Prozent, und gegenüber der Belegschaft begründete Zuckerberg sie nicht mit der Maschine, sondern mit den Investitionsausgaben, die der Konzern für 2026 mit 130 bis 145 Milliarden Dollar veranschlagt. Was zur Kehrtwende führte, konnte Reuters nicht klären; belegt sind drei Umstände, die zusammenfielen. Die Belegschaft wehrte sich offen, die Zustimmung in der internen Stimmungsumfrage fiel von 74 auf 55 Prozent, und gegen die Aufzeichnung von Tastatureingaben und Mausbewegungen zum Training der eigenen Modelle wandten sich Beschäftigte mit einer Petition. Zugleich zeigten interne Auswertungen, die Reuters einsehen konnte und die Meta nicht kommentiert hat, dass die Agententechnik im Zentrum des Plans die erhofften Gewinne nicht brachte: Die Zahl der Änderungen an den internen Plattformen stieg binnen eines Jahres um 220 Prozent, die Zahl der Änderungen, die als neue oder verbesserte Funktion bei den Nutzern ankamen, um 36 Prozent, während schwere technische und Sicherheitsvorfälle um 40 Prozent zunahmen. Dazu kam die Frage der Investoren, was der Konzern für seine Ausgaben vorzuweisen habe. Anfang Juli räumte Zuckerberg vor der Belegschaft ein, die Technik habe sich nicht so schnell entwickelt wie erwartet, und seither wirbt Meta öffentlich damit, Menschen zu befähigen statt Arbeit zu automatisieren; in seinem Essay vom August schreibt er, Unternehmen würden kleiner, es werde dann eben mehr Unternehmen mit weniger Leuten geben. [26] Der Fall ist für dieses Kapitel deshalb so aufschlussreich, weil er die Mechanik von der anderen Seite zeigt. Bei Starling, Microsoft und SAP war die Ersetzung eine Story über einen Sparbeschluss. Bei Meta war sie ernst gemeint, und sie scheiterte an der Technik und an den Menschen, die sie hätte ersetzen sollen. Geblieben ist, was in allen vier Fällen bleibt: der Abbau, der die Investitionen finanziert, und eine Story, die sich der Lage anpasst.
Dass es sich bei diesen vier Fällen nicht um vereinzelte Ausreißer, sondern um ein branchenweites Muster handelt, zeigt sich auch daran, wie die Konzernlenker selbst öffentlich sprechen. Das Wall Street Journal beschrieb am 6. Juli 2026 einen bemerkenswerten Stimmungsumschwung unter den führenden Köpfen der amerikanischen Technologiebranche, weg von der düsteren Prognose eines massenhaften Arbeitsplatzverlusts durch KI-Systeme hin zu einer deutlich optimistischeren Tonlage. OpenAI-Chef Sam Altman räumte im Mai 2026 auf einer Konferenz ein, man habe bei den technologischen Vorhersagen weitgehend richtig gelegen, bei ihren sozialen und wirtschaftlichen Folgen jedoch ziemlich falsch. Anthropic-Chef Dario Amodei, der im Mai 2025 noch vor dem Wegfall der Hälfte aller Einstiegsjobs gewarnt hatte, deutete dieselbe Frage ein Jahr später zur reinen Managemententscheidung um, Unternehmen könnten mit weniger Ressourcen dasselbe leisten, was zu Entlassungen führe, oder mit denselben Ressourcen mehr leisten. Bei Amodei lässt sich die Wegstrecke dieser Rhetorik besonders genau vermessen, denn noch im Oktober 2024 hatte er in seinem vielgelesenen Essay Machines of Loving Grace ein Land der Genies im Rechenzentrum ausgemalt, dessen Segnungen für Gesundheit, Wohlstand und Regierungsführung er in leuchtenden Farben beschrieb, während er die Frage nach Arbeit und Sinn dort ausdrücklich als ungelöst stehen ließ. In nur anderthalb Jahren führt der Weg damit vom leuchtenden Zukunftsbild über die Jobverlust-Warnung zur beschwichtigenden Managementformel, und diese Pendelbewegung legt nahe, dass die öffentliche Rede der Konzernlenker über die Beschäftigungsfolgen ihrer eigenen Technologie weniger einer stabilen Datenlage folgt als der jeweiligen kommunikativen Großwetterlage. Amazon-Gründer Jeff Bezos ging im Juni 2026 bei der VivaTech in Paris noch weiter und stellte für die Zukunft eher einen Mangel an Arbeitskräften als eine Massenarbeitslosigkeit in Aussicht. Eine Umfrage von EY-Parthenon unter rund zwölfhundert Vorstandsvorsitzenden in 21 Ländern untermauert diesen Wandel mit einer Zahl: Der Anteil jener, die von erheblichem KI-bedingtem Stellenabbau ausgehen, soll von 46 Prozent im Januar 2025 auf 20 Prozent im Mai 2026 gefallen sein, wobei sich diese konkrete Zahl bislang nur über Sekundärquellen, nicht an der EY-Primärseite selbst nachweisen ließ. [27]
Genau in diesem Moment der öffentlichen Beschwichtigung weisen die harten Zahlen das Gegenteil aus. Nach dem Bericht von Challenger, Gray & Christmas (challengergray.com) war künstliche Intelligenz im Juni 2026 bereits den vierten Monat in Folge der meistgenannte Grund für Stellenstreichungen in den Vereinigten Staaten, mit 14.029 KI-begründeten Kürzungen allein in jenem Monat und 101.743 seit Jahresbeginn, umgerechnet rund 23 Prozent aller gemeldeten Kürzungen. Der Technologiesektor verzeichnete bis Juni 2026 insgesamt 139.156 Stellenstreichungen, ein Anstieg von 83 Prozent gegenüber dem Vorjahreszeitraum. Während sich die Vorstände öffentlich vorsichtiger und optimistischer äußern, begründen die Unternehmen zur selben Zeit immer mehr ihrer tatsächlichen Kündigungen mit künstlicher Intelligenz. Was gesagt und was gemeldet wird, klafft also auseinander, und damit gilt die These dieses Kapitels von der falsch genannten Kraft nicht mehr nur für einzelne Unternehmen, sondern für die gesamte Branche. [27]
Wie wenig die Belegschaften selbst an die Ersetzungsgeschichte glauben, die über ihre Köpfe hinweg erzählt wird, zeigt eine Befragung, in der ausnahmsweise die Beschäftigten selbst zu Wort kommen. Die zweite jährliche Stimmungsumfrage von Lenny's Newsletter, einem der reichweitenstärksten Branchen-Newsletter der amerikanischen Tech-Szene, erfasste im Sommer 2026 über 5.000 erwerbstätige Tech-Beschäftigte, überwiegend erfahrene Fachleute aus dem Produktmanagement, und ist als selbstselektierte Leserumfrage ein Stimmungsbild und keine Arbeitsmarktmessung, aber gerade als Stimmungsbild aufschlussreich. Vier von zehn Befragten sorgen sich zwar durchaus um ihren Arbeitsplatz, doch die Angst, den eigenen Job an die künstliche Intelligenz zu verlieren, rangiert mit 22 Prozent nahe dem Ende der Sorgenliste, und der Zusammenhang zwischen der Beobachtung, die Technologie übernehme bereits Teile der eigenen Arbeit, und der Sorge vor Entlassung liegt bei praktisch null. Was die Beschäftigten stattdessen umtreibt, ist die Erwartungsspirale, also die Sorge, für dasselbe Gehalt immer mehr leisten zu müssen, in ein Tempo zu geraten, das sich nicht durchhalten lässt, und dabei zuzusehen, wie die Qualität der eigenen Arbeit sinkt. Die Ersetzungsthese, die die Konzerne in ihrer Kommunikation den Kapitalmärkten anbieten und die Nachrichtenagenturen in ihren Meldungen über Kündigungen fortschreiben, findet ausgerechnet dort keine Entsprechung, wo sie sich als gelebte Erfahrung zeigen müsste, nämlich in der Innensicht derer, die mit der Technologie tatsächlich arbeiten. Auch von innen betrachtet wirkt die Maschine also nicht als Jobfresser, sondern als Taktgeber einer Verdichtung, deren Nutznießer woanders sitzen. [28]
> „Die Angst, den eigenen Job an die künstliche Intelligenz zu verlieren, steht am Ende der Sorgenliste der Beschäftigten, und der Zusammenhang zwischen erlebter KI-Übernahme und der Sorge vor Entlassung liegt bei null."
Wie groß der Anteil ist, den die Technologie an den Stellenstreichungen überhaupt haben kann, lässt sich inzwischen auch von der anderen Seite her eingrenzen. Die Volkswirte von Goldman Sachs haben die heute im Einsatz befindlichen Anwendungsfälle über die gesamte amerikanische Wirtschaft hochgerechnet und kommen auf 2,5 Prozent der Beschäftigten, deren Stellen bei voller Ausbreitung dieser Anwendungen gefährdet wären, was die Arbeitslosenquote während der Übergangsphase um einen halben Prozentpunkt über ihren Trend heben und sich nach derselben Rechnung binnen zweier Jahre wieder auflösen würde. Für die Betroffenen ist das keine Entwarnung, wohl aber eine Größenordnung, die zu den Schlagzeilen in keinem Verhältnis steht. [29]
Was die Hochrechnung von oben schätzt, lässt sich seit dem Frühjahr 2026 von unten prüfen, und zwar an der amtlichen Statistik. Das amerikanische Census Bureau hat in seiner Unternehmensbefragung Business Trends and Outlook Survey zwischen Mitte November 2025 und Anfang Februar 2026 ein eigenes Zusatzmodul zur künstlichen Intelligenz bei der gesamten Stichprobe von 1,2 Millionen Betrieben eingesetzt und dabei getrennt erhoben, wo im Unternehmen die Technologie eingesetzt wird und was sich dadurch verändert. Das Ergebnis fällt für die Schlagzeile ernüchternd aus. Von den Unternehmen, die künstliche Intelligenz überhaupt einsetzen, meldet nur etwa jedes zwanzigste eine Wirkung auf die Zahl der Beschäftigten, und diese 5 Prozent verteilen sich fast gleichmäßig auf beide Richtungen, nämlich 2,3 Prozent mit einer Zunahme gegen 2,0 Prozent mit einer Abnahme. Wo sich die Aufgabenstruktur überhaupt verändert, erweitern zwei Drittel der Unternehmen ausschließlich die Aufgaben ihrer Beschäftigten, während reine Ersetzung nur bei 5 Prozent vorkommt. Ersetzt wird derweil an anderer Stelle, denn 16 Prozent der Anwender tauschen vorhandene Software und Ausrüstung gegen KI-gestützte Lösungen aus. Die Technologie ersetzt in dieser Zählung also gut dreimal so häufig Kapital wie Arbeit, und das ist das Gegenteil dessen, was die öffentliche Aufregung unterstellt. Was in den Nachrichten als Angriff auf die Belegschaft erscheint, ist in den Büchern zunächst ein Angriff auf die Softwarelizenz des Vorjahres. Zwei Vorbehalte gehören dazu: Es sind Selbstauskünfte der Unternehmen und keine Messung, und die Angaben darüber, was die Beschäftigten mit der Technologie tun, stammen vom Unternehmensvertreter und nicht von den Beschäftigten selbst. [2]
Wie wenig diese Messergebnisse bei der Öffentlichkeit ankommen, zeigt die jährliche Befragung, die das Meinungsforschungsinstitut Gallup gemeinsam mit der Bentley University seit 2023 durchführt. Im Mai 2026 erwarteten 79 Prozent der erwachsenen Amerikaner, dass die künstliche Intelligenz die Zahl der Arbeitsplätze in den Vereinigten Staaten über die kommenden zehn Jahre verringern wird, sechs Punkte mehr als ein Jahr zuvor und der höchste Wert seit Beginn der Reihe. Der Anteil derer, die der Technologie insgesamt mehr Schaden als Nutzen zuschreiben, stieg im selben Zeitraum von 31 auf 39 Prozent, und nur noch 27 Prozent trauen den Unternehmen zu, verantwortungsvoll mit ihr umzugehen. Am stärksten kippt die Stimmung ausgerechnet bei den Jüngsten, um deren Berufseinstieg es im nächsten Kapitel geht: Unter den 18- bis 29-Jährigen sprang die Erwartung schrumpfender Beschäftigung binnen eines Jahres von 62 auf 75 Prozent, und der Anteil, der mehr Schaden als Nutzen sieht, von 36 auf 47 Prozent, ein größerer Sprung als in jeder anderen Altersgruppe. Bemerkenswert an dieser Bewegung ist ihre Richtung, denn sie widerspricht der Datenlage dieses Kapitels. Während die Vorstandsrhetorik weicher wird, die Beschäftigten der Technologiebranche die Ersetzung kaum fürchten und Hochrechnung wie amtliche Selbstauskunft die messbare Wirkung klein ausweisen, verfestigt sich in der Bevölkerung genau die Story, die dieses Kapitel als das KI-Argument beschreibt. Die Jobkiller-These braucht die Kündigungsstatistik nicht mehr, sie ist zur gesellschaftlichen Grundannahme geworden. Eine so breit geteilte Erwartung ist dabei selbst eine ökonomische Größe, denn sie prägt Berufswahl, Bildungsentscheidungen und politische Stimmungen, lange bevor die Maschine tut, was man ihr zutraut. [30]
> „Unter den 18- bis 29-Jährigen sprang die Erwartung schrumpfender Beschäftigung binnen eines Jahres von 62 auf 75 Prozent."
Dass diese Erwartung der Messung nicht nur in der Bevölkerung vorauseilt, sondern auch in den Unternehmen selbst, lässt sich seit August 2026 an einer einzigen Befragungsreihe ablesen. In der McKinsey-Bestandsaufnahme vom Sommer 2025 erwarteten 32 Prozent der Befragten, die Zahl der Beschäftigten in ihrem Unternehmen werde im kommenden Jahr wegen künstlicher Intelligenz sinken. Ein Jahr später berichten in der Nachfolgeausgabe 14 Prozent, dass es tatsächlich so gekommen ist, nach der Rechnung der Autoren weniger als die Hälfte des Erwarteten, und zwei Drittel geben an, an der Größe ihrer Belegschaft habe sich wenig oder nichts geändert. Bemerkenswert ist, was aus dieser Erfahrung folgt, nämlich nichts. Für das nun kommende Jahr erwarten 39 Prozent einen Rückgang, und damit mehr als in jener Vorjahresbefragung, deren Erwartung sich soeben als zu hoch erwiesen hat. Den naheliegenden Einwand, hier antworteten schlicht zwei verschiedene Gruppen, haben die Autoren selbst geprüft und in einer Fußnote beantwortet. Für die 552 Befragten, die an beiden Befragungen teilgenommen haben, fällt der Befund genauso aus wie für die gesamte Stichprobe. Dieselben Menschen haben ihre Prognose also verfehlt und erwarten anschließend mehr davon.[3]
Dass sich diese Erwartung bei kleinen Unternehmen anders verhält als bei den großen, zeigt die einzige Reihe, die sie im deutschsprachigen Raum seit drei Jahren in derselben Form abfragt. Für die KMU-Arbeitsmarktstudie des Versicherers AXA (axa.ch) befragt das Forschungsinstitut Sotomo (sotomo.ch) jedes Frühjahr Schweizer Unternehmen mit fünf bis 250 Beschäftigten, zuletzt im März 2026 336 Betriebe. Von den KMU, die nach eigener Angabe künstliche Intelligenz nutzen, erwarten 12 Prozent, in den kommenden zwei Jahren wegen der Technologie Personal abzubauen, und dieser Wert steht 2024, 2025 und 2026 unverändert bei 12 Prozent. Knapp die Hälfte rechnet mit Zeitersparnis ohne Folgen für die Zahl der Beschäftigten. Bewegt hat sich allein die Gegenseite: Der Anteil, der wegen der Technologie mehr Arbeit erwartet, ohne dafür Personal aufzubauen, ist von 17 auf 22 Prozent gestiegen, und die Erwartung, ihretwegen zusätzlich einzustellen, hat sich von 10 auf 5 Prozent halbiert. Wo kein Kurs zu bewegen ist, bleibt die Erwartung des Stellenabbaus über drei Jahre eingefroren, und die neue Erfahrung heißt Mehraufwand. Es sind Selbstauskünfte aus einer Befragung, die ein Versicherer für seine Kunden in Auftrag gibt, und die Betriebe unter fünf Beschäftigten, in der Schweiz die Mehrheit, fehlen darin.[135]
Diese erste Kraft ist also durchaus real in ihren Folgen für die Betroffenen, doch sie ist in ihrer Ursache falsch genannt. Sie ist die Korrektur einer Übertreibung und die Quersubvention einer Investitionswelle, nicht das Werk einer Maschine, die den Menschen aus dem Büro drängt. Wer sie als Beweis für die Apokalypse liest, verwechselt die Begründung mit dem Inhalt.
Diese Kapitalmarktlogik hat eine Kehrseite, die selten offen ausgesprochen wird und die ausgerechnet aus dem Fach der Unternehmensbewertung selbst stammt. Der Finanzökonom Aswath Damodaran, der die Bewertung junger Technologieunternehmen seit Jahrzehnten lehrt und dem KI-Boom als Skeptiker gegenübersteht, hat im Frühjahr 2026 vorgerechnet, dass die gewaltigen Marktgrößen, die an der Börse für die künstliche Intelligenz unterstellt werden, nur dann aufgehen, wenn die Technologie Menschen ersetzt und nicht bloß ihre Arbeit erleichtert. Ein Werkzeug, das Beschäftigte produktiver macht, eröffnet einen ungleich kleineren Markt als eine Technologie, die ganze Gehälter überflüssig macht, und deshalb ist die in Aussicht gestellte Marktgröße im Kern nichts anderes als die Lohnsumme der Arbeit, die zu verdrängen sie verspricht. Das ist eine Bewertungsannahme und kein empirischer Befund, doch es erklärt, warum die Story vom Jobfresser dort am hartnäckigsten gepflegt wird, wo am meisten Kapital an ihr hängt. Wer die Ersetzung des Menschen verspricht, verkauft die größere Geschichte, und an der Börse folgt die Bewertung der Geschichte. Die Jobkiller-Story ist damit nicht nur die Begründung einer Kostensenkung, sie ist zugleich das Versprechen, auf dem ein erheblicher Teil der heutigen KI-Bewertungen ruht, was zugleich ihre Zählebigkeit und ihre Verletzlichkeit erklärt, denn ein Versprechen, das nicht eingelöst wird, schreibt man früher oder später ab. [31]
Dieselbe Story, die den Stellenabbau beschönigt, verkehrt sich auf der Baustelle der künstlichen Intelligenz in ihr genaues Spiegelbild. Wo die Konzerne ihre Kürzungen als Fortschritt ausgeben, verkaufen die Betreiber der Rechenzentren ihre Anlagen den Regionen als Jobmotor, und beide Versprechen halten der Prüfung schlechter stand, als ihr Lärm vermuten lässt. Eine im Mai 2026 über die Brookings Institution veröffentlichte Untersuchung der Ökonomen Dany Bahar und Greg Wright, die als unabhängiges akademisches Arbeitspapier bewusst gegen die von der Branche selbst finanzierten Studien anschreibt, hat rund 770 amerikanische Rechenzentren mit den Beschäftigungs- und Lohndaten jener Bezirke verknüpft, in denen sie stehen, und mit der Methode der synthetischen Kontrolle für jeden der 93 Bezirke, die zwischen 2008 und 2024 ihr erstes großes Rechenzentrum erhielten, aus rund 3.000 unbelasteten Vergleichsbezirken einen Zwilling ohne Rechenzentrum errechnet. Der Befund fällt zwiespältig aus. Die Anlagen schaffen tatsächlich Arbeit, die private Gesamtbeschäftigung eines betroffenen Bezirks steigt über fünf bis sechs Jahre um 4 bis 5 Prozent, die Bauwirtschaft legt um elf, die Informationsbranche um 22 Prozent zu, und die Löhne wachsen um 3 bis 4 Prozent, für einen typischen Bezirk mit rund 98.000 Beschäftigten sind das nach sechs Jahren zwischen 2.000 und 4.000 zusätzliche Stellen. Zugleich zeigt dieselbe Rechnung, wie stark die branchennahen Zahlen die Wirkung überzeichnen, denn die Rechenzentrumsbezirke wuchsen bereits vor dem Bau schneller als der Durchschnitt, sodass ein naiver Vergleich, wie ihn manche von der Industrie beauftragten Berichte anstellen, den Beschäftigungseffekt um das Dreifache überschätzt. [32]
Die eigentliche Pointe für die Diskussion über öffentliche Anreize liegt darin, wie ungleich sich der Nutzen verteilt. Nur die großen Hyperscale-Anlagen und erst recht ganze Cluster von vier und mehr Rechenzentren lösen den beschworenen Technologieeffekt aus, ein solches Cluster hebt die Beschäftigung in der Informationsbranche um 23 Prozent, während eine einzelne Anlage oder ein reines Colocation-Zentrum, das fremde Server bloß beherbergt, kaum messbare Effekte in der Informationsbranche hinterlässt. Ausgerechnet dorthin aber fließt das meiste öffentliche Geld, denn die Steuervergünstigungen und Anreize machen in Bezirken mit Hyperscale-Anlagen nur rund 2 Prozent der Bauinvestition aus, in Bezirken mit Colocation-Zentren hingegen 62 Prozent, sodass die Subvention gerade dort am schwersten wiegt, wo sie am wenigsten Arbeit auslöst. Allein Virginias Steuerbefreiung für Rechenzentren kostete den Bundesstaat im Haushaltsjahr 2025 nach dessen eigenem Finanzbericht mehr als 1,6 Milliarden Dollar. Für die europäische Diskussion, in der um dieselben Anlagen mit denselben Argumenten und denselben Standortanreizen geworben wird, ist der Befund eine Warnung, auch wenn die Zahlen aus den Vereinigten Staaten stammen und das Papier als noch nicht begutachtetes Arbeitspapier zu lesen ist. Der Irrtum vom Jobmotor ist das genaue Gegenstück zum Irrtum vom Jobkiller, und beide leben davon, dass niemand die versprochene Wirkung an der Wirklichkeit misst. [32]
Dieselbe Prüfung verdient die Gegenseite der Diskussion, und sie fällt dort nicht milder aus. Am 18. August 2026 haben die Volkswirte der Landesbank Hessen-Thüringen zusammengetragen, warum von der künstlichen Intelligenz gesamtwirtschaftlich keine hohe Arbeitslosigkeit zu erwarten sei, und dabei vier Mechanismen genannt, die im Untergangsszenario regelmäßig fehlen: Produktivitätsgewinne machen menschliche Arbeit wertvoller, statt sie überflüssig zu machen, die Automatisierung setzt Kapazitäten für andere Tätigkeiten frei, Innovationen bringen Berufe hervor, die vorher niemand nennen konnte, und höhere Einkommen erzeugen eine Nachfrage, die wiederum für Beschäftigung sorgt. Diese Mechanismen sind gut begründet, die Analyse stützt sich dafür ausdrücklich auf einen Aufsatz von David Autor aus dem Jahr 2015, und die amtliche amerikanische Unternehmensbefragung weiter oben stützt sie unfreiwillig, weil dort gut dreimal so häufig Kapital wie Arbeit ersetzt wird. Nur ist das Beispiel, mit dem Analysen dieser Art ihre Entwarnung seit Jahren belegen, inzwischen selbst ein Fall, den man an der Zeitreihe prüfen muss. Angeführt werden die amerikanischen Bankangestellten, deren Zahl trotz des Ausbaus der Geldautomaten zwischen 1980 und 2010 um 50.000 auf rund 550.000 gestiegen war. Nach der Berufsstatistik des amerikanischen Bureau of Labor Statistics lag sie 2024 bei 347.400, und dieselbe Behörde erwartet bis 2034 einen weiteren Rückgang um 13 Prozent. Der Mechanismus bleibt richtig, sein Beweisstück nicht. Wer die Entwarnung mit einer Momentaufnahme belegt, deren Zeitreihe seit anderthalb Jahrzehnten das Gegenteil zeigt, macht denselben Fehler wie die Schlagzeile, die er widerlegen will, nämlich eine Story mit einer Messung zu verwechseln. [33]
Dass sich dieses Argument nicht nur für den Stellenabbau anführen lässt, sondern auch für die eigene Mehrbelastung, führt seit August 2026 eine deutsche Behörde vor. Andrea Nahles, Vorstandsvorsitzende der Bundesagentur für Arbeit, beschreibt in einem Interview mit dem Deutschlandfunk vom 15. August 2026 eine Zunahme der Widerspruchsverfahren gegen Bescheide der Jobcenter und führt sie auf den Einsatz künstlicher Intelligenz bei den Betroffenen zurück. Wo früher eine halbe Seite gereicht habe, seien jetzt zehn Seiten üblich, was der Belegschaft nach ihren Worten wahnsinnig mehr Aufwand bereite, zumal die längeren Schreiben teils Halluzinationen enthielten, also erfundene Fundstellen und Urteile. Für ein einzelnes Bundesland lässt sich die Entwicklung beziffern, denn die Regionaldirektion Nord meldet für Schleswig-Holstein im ersten Halbjahr 2026 insgesamt 10.348 Widersprüche und damit hochgerechnet rund ein Viertel mehr als im Vorjahr. Wie viele davon tatsächlich mit Maschinenhilfe entstanden sind, kann die Behörde ausdrücklich nicht sagen, denn erhoben wird das nirgends. [34]
Genau an dieser Stelle lohnt der Blick in die amtliche Statistik, und er ordnet den Fall neu. Nach der Jahresauswertung der Bundesagentur vom Januar 2026 gingen bereits 2025 bundesweit 501.667 Widersprüche ein, 78.310 mehr als im Jahr zuvor, und die Widerspruchsquote der gemeinsamen Einrichtungen stieg bei rund 21,2 Millionen Bescheiden von 1,8 auf 2,1 Prozent, wobei die Behörde als häufigste Streitpunkte die Berechnung der Unterkunftskosten, die Rücknahme und Erstattung von Leistungen sowie die Anrechnung von Einkommen und Vermögen nennt. Der Anstieg hatte also längst begonnen, bevor ihn jemand der Technologie zuschrieb. Auch die Zahl, mit der der Fall öffentlich erzählt wird, misst etwas anderes, als sie zu messen scheint. Von den 476.728 im Jahr 2025 erledigten Widersprüchen führten 147.213 zu einer geänderten Entscheidung, woraus die Berichterstattung den Satz macht, mehr als jeder vierte Widerspruch habe Erfolg. Rechtsfehlerhaft entschieden hatte das Jobcenter aber nur in 42.303 Fällen, während knapp die Hälfte der Änderungen schlicht daher rührte, dass im Verfahren Unterlagen nachgereicht oder offene Mitwirkungspflichten erfüllt wurden. [35]
Was von dem Fall bleibt, wiegt dennoch schwer, denn es widerspricht der gängigen Story vom Jobkiller. Trifft die Beobachtung der Behörde zu, dann zeigt sich die Technologie in der öffentlichen Verwaltung zuerst nicht als eingesparte Arbeit, sondern als zusätzliche Arbeit, ausgelöst von der anderen Seite des Schreibtischs, und sie trifft damit ausgerechnet jenen Wirtschaftszweig, der im DACH-Raum die älteste Belegschaft hat. Nahles' erste Überlegung, künstliche Intelligenz mit künstlicher Intelligenz reden zu lassen, verwirft sie im selben Interview als dauerhafte Lösung, und das aus gutem Grund, denn sie beschreibt einen Kreislauf, in dem beide Seiten ihren Aufwand automatisieren und das Verfahren dabei weder schneller noch richtiger wird. [34]
### Der Blick nach vorn
Wenn die Mechanik dieses Kapitels stimmt, dann hat das KI-Argument ein Verfallsdatum. Kapitalmärkte belohnen eine Story nur so lange, wie sie sich nicht überprüfen lässt, und genau diese Überprüfbarkeit wächst mit jedem Quartal, in dem der von Gartner festgestellte fehlende Zusammenhang zwischen Abbau und Erfolg Bestand hat. [18] Es ist absehbar, dass Investoren beginnen werden, die Frage zu stellen, die diese Studie stellt, nämlich welche konkrete Aufgabe ein KI-System tatsächlich übernommen hat, wenn ein Abbau mit der Technologie begründet wird, und Unternehmen, die darauf keine Antwort haben, werden dieses Argument dann teurer bezahlen, als es ihnen heute einbringt.
Die eigentliche Chance liegt auf der anderen Seite derselben Rechnung. Die Milliarden, die der Stellenabbau heute freisetzt, sind ja tatsächlich vorhanden, und die Unternehmen, die sie nicht in die Story, sondern in den geduldigen Umbau ihrer Abläufe lenken, kaufen sich damit genau jene Fähigkeit, die im weiteren Verlauf dieses Reports als die eigentlich knappe Ressource sichtbar wird. In wenigen Jahren wird sich an den heutigen Bilanzen ablesen lassen, wer die Kündigungswelle als Botschaft an die Börse verstanden hat und wer als Investition in eine neue Organisation.
---
## Die Karrierelücke ist messbar, doch ihre Ursache lässt sich nicht so leicht bestimmen
Die zweite Kraft ist leiser als die erste und ungleich ernster, weil sie nicht die Erfahrenen trifft, die sich neu sortieren, sondern die Jungen, die noch gar nicht angefangen haben. Sie zeigt sich im erschwerten Eintritt ins Berufsleben, und anders als die Kündigungswelle lässt sie sich nicht als bloße Begründung abtun. Hier gibt es einen echten und messbaren Effekt. Nur ist seine Ursache alles andere als geklärt, und gerade diese Unklarheit ist analytisch der interessanteste Teil der ganzen Diskussion.
Bevor die einzelnen Untersuchungen zu Wort kommen, lohnt ein Blick auf den Maßstab, mit dem sie alle arbeiten, denn er wird in der öffentlichen Diskussion fast durchweg missverstanden. Wenn von Berufen die Rede ist, die der künstlichen Intelligenz stark ausgesetzt sind, dann erfasst diese Exposition, wie viele der typischen Aufgaben eines Berufs sich mit dem überschneiden, was die Technologie heute leisten kann, und gerade nicht, wie wahrscheinlich diese Tätigkeiten ersetzt werden. Die OECD hat diese Unterscheidung in ihrem jüngsten Papier zu den Kompetenzen im KI-Zeitalter noch einmal geschärft und dabei ein auf den ersten Blick widersprüchliches Bild gezeichnet. Am stärksten exponiert sind ausgerechnet die hoch qualifizierten Angestelltenberufe, die IT-Fachleute, die betriebswirtschaftlichen Fachkräfte, die Führungskräfte und die Ingenieure, also jene Tätigkeiten, in denen am meisten mit Sprache, Analyse und Wissen gearbeitet wird. Dieselben Berufe tragen jedoch das geringste Risiko, tatsächlich automatisiert zu werden, weil sie auf nicht-routinemäßigem Urteil, auf sozialer Abstimmung und auf Erfahrung beruhen, die sich der Maschine bislang entzieht, während das höchste Automatisierungsrisiko umgekehrt bei den gering und mittel qualifizierten Tätigkeiten mit routinemäßigen Abläufen liegt, die in der Expositionsrangfolge weit unten stehen. Exposition beschreibt also, wo die Technologie die Arbeit verändern und ergänzen kann, und nicht, wo sie Menschen verdrängt, und wer beides gleichsetzt, begeht bereits jene Verwechslung von Beobachtung und Ursache, um die es in diesem Kapitel geht. Zur redlichen Einordnung gehört, dass die zugrunde liegende Bewertung des Automatisierungsrisikos die volle Wirkung der breit verfügbaren generativen Werkzeuge noch nicht erfassen kann, weil ihr Erhebungszeitraum davor liegt, sodass die Grenze zwischen bloßer Exposition und wirklicher Ersetzbarkeit in Bewegung bleibt. [36]
Seit dem 27. August 2026 gibt es dafür einen amtlichen Beleg. Das Bureau of Labor Statistics hat seiner Beschäftigungsprojektion für die Jahre 2025 bis 2035 erstmals eine eigene Expositionsrangfolge beigegeben und sie mit einem ungewöhnlich strengen Vorbehalt versehen: Die Stufe sei keine Beschäftigungsprognose, keine Lohnprognose und keine Schätzung darüber, ob Menschen ersetzt werden, und sie unterscheide nicht einmal zwischen Automatisierung und Ergänzung; die Rangfolge messe keine Beschäftigungswirkung, sondern liefere lediglich zusätzliche Information für die Berufswahl. Wie ernst dieser Vorbehalt gemeint ist, lässt sich an der Projektion selbst ablesen. Die Krankenpflege steht in der zweithöchsten Expositionsstufe und gewinnt bis 2035 rund 194.700 Stellen hinzu, die Softwareentwicklung steht in der höchsten Stufe und legt um gut 10 Prozent zu, während in derselben höchsten Stufe die allgemeinen Büroangestellten 156.200 Stellen verlieren. Wer die Berufe nach ihrer Exposition ordnet, erhält also eine andere Reihenfolge als wer sie nach der erwarteten Nachfrage ordnet. [37]
Den vielbeachteten Ausgangspunkt bildet eine Untersuchung des Stanford Digital Economy Lab, die sich auf tatsächliche Lohndaten amerikanischer Beschäftigter stützt und die die Autoren seither zweimal fortgeschrieben haben; maßgeblich ist die Fassung vom 12. August 2026 mit Daten bis Juni 2026. Sie kommt zu dem Ergebnis, dass die Beschäftigung der 22- bis 25-Jährigen in jenen Berufen, die der künstlichen Intelligenz besonders ausgesetzt sind, um 19 Prozent unter jenem Stand liegt, den sie erreicht hätte, wäre sie dem Wachstum ihrer schwächer exponierten Altersgenossen gefolgt. In absoluten Zahlen fiel die Beschäftigung dieser Altersgruppe in den beiden am stärksten exponierten Fünfteln zwischen Ende 2022 und Juni 2026 um rund 11 Prozent, während sie in den drei am wenigsten exponierten Fünfteln um rund 10 Prozent zulegte. Ältere und erfahrenere Beschäftigte weisen in denselben Berufen keinen vergleichbaren Rückstand auf, die 35- bis 49-Jährigen in den beiden obersten Expositionsfünfteln legten sogar um rund 10 Prozent zu. Auf den ersten Blick scheint die Technologie hier genau das zu tun, was ihr nachgesagt wird, nämlich den Einstieg zu verschließen und die Erfahrung zu belohnen. Wichtig ist dabei, dass es sich um einen relativen Effekt zwischen stärker und schwächer exponierten Berufen handelt und nicht um einen gemessenen Verlust an Arbeitsplätzen in absoluter Zahl. [4]
Der eigentliche Gewinn der neuen Fassung liegt jedoch nicht in der Zahl, sondern in der Frage, auf welchem Weg dieser Abstand entsteht. Ein schrumpfender Bestand kann zwei Ursachen haben, weniger Neueinstellungen oder mehr Trennungen, und beides bedeutet etwas ganz Verschiedenes. Die Autoren trennen das erstmals sauber auf und stellen fest, dass die Trennungsraten bei den jungen Beschäftigten in den exponierten Berufen mindestens so stark fielen wie bei den schwach exponierten, also genau gegenläufig zu dem, was Verdrängung bedeuten würde. Der gesamte Abstand entsteht auf der Einstellungsseite. Damit ist der Befund nicht das Bild einer Maschine, die Menschen aus ihren Stellen drängt, sondern eines Eintritts, der sich verengt, und diese Unterscheidung sagt mehr als jede Prozentzahl. Zugleich legen die Autoren die Schwächen ihrer eigenen Messung offener dar als in allen Vorfassungen. Der Abstand schrumpft von 18 auf 9 Prozentpunkte, sobald das Bildungsniveau der Berufe herausgerechnet wird, wobei sie selbst offenlassen, ob die Bildung hier eine konkurrierende Erklärung oder gerade der Wirkungsweg der Technologie ist. Und er fällt in der amtlichen amerikanischen Haushaltsbefragung erheblich kleiner aus als in den Lohndaten, mit minus 0,022 gegenüber minus 0,132 für dasselbe Zeitfenster, während beide Quellen in der Informationsbranche, den Finanzdienstleistungen und den unternehmensnahen Diensten mit minus 0,213 gegenüber minus 0,231 fast übereinstimmen. Die Richtung des Befundes ist damit breiter abgestützt als je zuvor, seine Größenordnung aber nach dem eigenen Urteil der Autoren an ihre Datenquelle gebunden und nicht auf die Gesamtwirtschaft hochzurechnen. [4]
Seit dem Sommer 2026 lässt sich dieser Befund allerdings nicht mehr als Momentaufnahme abtun. Im Juni 2026 hat dasselbe Labor gemeinsam mit der Forschungsabteilung des Lohnabrechnungsanbieters ADP (adp.com) ein monatlich aktualisiertes Dashboard gestartet, das die Messung als laufende Reihe fortschreibt, und die erste Forschungsnotiz dazu zeigt eine Schere, die sich weiter öffnet statt zu schließen. In der zugrunde liegenden Stichprobe von 25.000 Firmen mit mehr als 700 Berufen schrumpft die Beschäftigung der 22- bis 25-Jährigen in den am stärksten exponierten Berufen seit dem Start von ChatGPT um 3,8 Prozent pro Jahr, während die am wenigsten exponierten Berufe derselben Altersgruppe um 2 Prozent pro Jahr wachsen, und nach Auskunft von Erik Brynjolfsson, dem Direktor des Labs, vertieft sich der Rückgang seit der Erstveröffentlichung um rund einen halben Prozentpunkt pro Monat. Gedämpfte Anzeichen desselben Musters reichen inzwischen bis in die Altersgruppe der bis 34-Jährigen, die in der Ursprungsstudie noch unauffällig geblieben war. Der Befund selbst steht damit stabiler und aktueller da als je zuvor, seine Deutung bleibt davon unberührt, denn auch die fortgeschriebene Messung weist einen relativen Abstand zwischen Berufsgruppen aus und keinen bezifferten Arbeitsplatzverlust. [38]
**[Abbildung 3: Die Schere am Berufseinstieg öffnet sich in den exponierten Berufen.]**
Genau an diesem Punkt beginnt die wissenschaftliche Kontroverse, und sie ist mit gewichtigen Argumenten auf beiden Seiten besetzt. Eine Studie der amerikanischen Notenbank von Jessica Liu und Douglas Webber („AI Adoption and Firms' Job-Posting Behavior", März 2026), die mehr als eine Million Unternehmen auswertet, ergibt keinen Hinweis darauf, dass die Einführung künstlicher Intelligenz die Beschäftigung drückt, und zwar mit so eng geschätzten Werten, dass auch ein kleiner Effekt aufgefallen wäre; gemessen wird dabei das Verhalten bei Stellenausschreibungen und nicht die Löhne selbst. [20] Die Untersuchung von Anders Humlum und Emilie Vestergaard („Still Waters, Rapid Currents", 2026), die auf dänischen Registerdaten von 25.000 Beschäftigten aus 7.000 Arbeitsstätten beruht, weist ebenfalls keinen Effekt auf Einkommen oder Arbeitszeit nach; sie bestätigt zwar den Einbruch beim Berufseinstieg, zeigt aber, dass er nicht von jenen Firmen ausgeht, die die Technologie tatsächlich einführen. [39] Der Einbruch ist also nachweisbar, doch seine Zuschreibung an die künstliche Intelligenz steht auf wackligen Beinen.
Eine besondere Stellung in diesem Streit nimmt eine Forschungsnotiz ein, die Anthropic (anthropic.com) selbst im März 2026 vorgelegt hat, verfasst von den Ökonomen Maxim Massenkoff und Peter McCrory. Sie entwickelt ein neues Maß, das die theoretische Machbarkeit einer Berufsaufgabe mit der tatsächlich beobachteten, nach Automatisierungsgrad gewichteten beruflichen Nutzung der eigenen Modelle verschränkt, und prüft die Beschäftigungsfolgen anschließend mit der amtlichen amerikanischen Haushaltsbefragung, also mit einer dritten Datenquelle neben den Lohnabrechnungen der Stanford-Reihe und den Stellenausschreibungen der Studie der amerikanischen Notenbank. Das Ergebnis fällt bemerkenswert nüchtern aus. Seit Ende 2022 zeigt sich kein systematischer Anstieg der Arbeitslosigkeit in den am stärksten exponierten Berufen, gleich wo die Schwelle für die Exposition gezogen wird und auch in den Daten der Arbeitslosenversicherung, und die Arbeitslosenquote der Jüngsten bleibt ebenso flach. Nur auf der Einstellungsseite wiederholt sich das vertraute Muster, denn die Rate, mit der 22- bis 25-Jährige eine neue Stelle in einem stark exponierten Beruf antreten, liegt nach dem Start von ChatGPT um 14 Prozent unter dem Stand von 2022, nach dem eigenen Urteil der Autoren gerade eben statistisch signifikant, während sich bei den Älteren kein solcher Rückgang beobachten lässt. Die Richtung des Stanford-Befundes ist damit ein weiteres Mal und in einer weiteren Datenquelle repliziert, aber deutlich schwächer, und das Gewicht dieser Quelle liegt gerade in ihrer Herkunft. Ein Anbieter, dessen Bewertung an der Story von der wirtschaftlichen Durchschlagskraft seiner Technologie hängt, hätte allen Grund, dramatische Beschäftigungswirkungen auszuweisen, und publiziert stattdessen einen Nullbefund bei der Arbeitslosigkeit samt einem nur hauchdünn gesicherten Befund zum Berufseinstieg. Als Selbstmessung auf der eigenen Plattform bleibt die Notiz gleichwohl interessengeleitet und für Außenstehende nicht nachrechenbar, und die Autoren halten selbst fest, dass die jungen Nichteingestellten auch in bestehenden Stellen bleiben, andere Wege einschlagen oder an die Hochschule zurückkehren können. [40] Genau diese Schwäche gleicht ein Befund aus, der aus einer ganz anderen Ecke kommt. Sarah Eckhardt und Nathan Goldschlag haben für die Economic Innovation Group die amerikanischen Erwerbstätigen nach dem Grad ihrer Exposition in fünf gleich große Gruppen geteilt und die Entwicklung ihrer Arbeitslosenquote zwischen 2022 und dem Beginn des Jahres 2025 verfolgt. Im Fünftel der am stärksten exponierten Beschäftigten stieg die Quote um 0,30 Prozentpunkte, im Fünftel der am wenigsten exponierten dagegen um 0,94. Wer nach den Spuren einer Maschine sucht, die Menschen aus der Beschäftigung drängt, findet sie ausgerechnet dort am schwächsten, wo sie am deutlichsten sein müssten. Auch diese Auswertung stammt nicht aus einer begutachteten Zeitschrift, sondern von einem Washingtoner Thinktank, doch sie hat keinen Anbieter im Rücken und misst die Arbeitslosigkeit dort, wo die Anthropic-Notiz auf die eigene Plattform angewiesen bleibt. [41]
Eine noch jüngere Untersuchung verschiebt diesen Streit auf eine dritte Beobachtungsebene und macht ihn dadurch eher klarer, als dass sie ihn schlichtete. Das Forschungsteam des Finanzdienstleisters Ramp verknüpfte für gut 21.000 amerikanische Firmen das tatsächlich beobachtete Ausgabeverhalten für künstliche Intelligenz mit den Beschäftigtendaten eines Arbeitsmarktdatenanbieters und stellte fest, dass die Unternehmen nach der Einführung ihren Personalbestand über die folgenden zwei Jahre um gut 10 Prozent ausweiteten, dass dieser Zuwachs aber fast vollständig von den intensivsten Anwendern getragen wurde, während die zurückhaltenden Anwender keine nennenswerte Veränderung zeigten. Bemerkenswert ist, dass ausgerechnet die Einstiegsstufe am schnellsten wuchs, denn bei den am stärksten investierenden Unternehmen legte der Bestand an Berufseinsteigern über zwei Jahre um 12 Prozent zu. Auf den ersten Blick steht dieser Befund quer zum Stanford-Ergebnis, nach dem sich den Jungen der Einstieg gerade verschließt, und doch widersprechen die beiden einander nicht, sobald man erkennt, dass sie verschiedene Fragen stellen. Stanford untersucht Beruf und Alter und beantwortet, in welchen Tätigkeiten sich der Zugang für die Jungen verengt, während Ramp die Firma und die Intensität ihrer Anwendung untersucht und beantwortet, welche Unternehmen wachsen. Ein Unternehmen kann in der Summe mehr Menschen einstellen, weil es mit der Technologie skaliert und produktiver wird, und im selben Zug innerhalb der besonders ausgesetzten Berufe die Einstiegsstufe entwerten. Die Stanford-Forscher halten diese Trennung sogar selbst fest, indem sie ihren Einbruch zur Sicherheit noch einmal ohne den Informationssektor berechnen und ihn nahezu unverändert wiederfinden, sodass er nicht an den Technologieberufen hängt, während sich die Zuwächse bei Ramp umgekehrt gerade im Informationssektor und bei den investitionsstärksten Firmen ballen. Auch dieser Befund verlangt die gewohnte Vorsicht, weil die Quelle ein kommerzieller Anbieter mit eigenem Interesse an steigenden KI-Ausgaben ist, weil sie eine Korrelation und keinen kausalen Stellenaufbau misst und weil ihre Anwender von vornherein die größeren und schneller wachsenden Unternehmen sind. Was sie zur Diskussion beiträgt, ist deshalb keine Entwarnung, sondern die Einsicht, dass die zweite Kraft nicht als Entweder-Oder zu lesen ist, sondern als ein Nebeneinander zweier Achsen, auf denen die Jungen relativ verlieren können, während die anwendenden Firmen absolut wachsen. [21]
Eine dritte Zerlegung desselben Befundes hat im August 2026 ein quantitativ arbeitender Makro-Fonds vorgelegt, und sie setzt weder am Beruf noch an der Firma an, sondern an der einzelnen Arbeitsaufgabe. Benjamin Verschuere und Angus Cameron von Liminal Capital (liminal-capital.com) haben sämtliche 17.536 Aufgabenbeschreibungen der amerikanischen Berufsdatenbank O*NET von Sprachmodellen in drei Klassen einsortieren lassen, in Arbeit, die die Maschine von Anfang bis Ende allein erledigt, in Arbeit, für die ein Mensch anwesend sein oder zeichnen muss, und in körperliche Arbeit, die sie nicht berührt, und haben das Ergebnis anschließend über die amtliche Beschäftigungs- und Lohnstatistik auf die Berufe zurückgerechnet. Danach entfallen 32 Prozent der amerikanischen Beschäftigung auf die erste, 15 Prozent auf die zweite und 53 Prozent auf die dritte Klasse, und seit 2021 wächst die Arbeit der ersten Klasse jährlich um 3,3 Prozentpunkte langsamer als die unberührte, während die Arbeit der zweiten um denselben Wert schneller wächst. Die für dieses Kapitel entscheidende Zahl steht am Anfang der Erwerbsbiografie: Die Zahl der 22- bis 25-Jährigen, die eine Stelle in den am stärksten ersetzbaren Berufen antreten, liegt rund ein Drittel unter dem Stand von 2021, nach der Rechnung der Autoren rund 227.000 Einstiegsstellen im Jahr, ohne dass die Entlassungen in denselben Berufen zugenommen hätten. Die New York Times hat diesen Befund am 16. September 2026 unter dem Titel „The Quiet Way A.I. Is Hitting the Work Force" auf die Titelseite ihres Wirtschaftsteils gehoben. Der Gewinn dieser Arbeit liegt allerdings nicht in der Kopfzahl, die das vertraute Muster lediglich ein weiteres Mal bestätigt, sondern darin, dass sie ersetzbare und ergänzbare Anteile innerhalb desselben Berufs gegeneinander führt, statt einen Beruf im Ganzen als ausgesetzt zu verbuchen. Genau das ist der Grund, warum die Durchschnitte der großen Expositionsindizes so wenig zeigen, denn in ihnen heben sich zwei gegenläufige Bewegungen auf, die in Wahrheit verschiedene Menschen treffen. Zur Redlichkeit gehört, dass hier kein Forschungsinstitut rechnet, sondern ein Fonds, der vom früheren Erkennen solcher Wendepunkte lebt, dass die Arbeit nicht begutachtet ist und dass die Einteilung der Aufgaben von derselben Technologie stammt, deren Wirkung gemessen werden soll; die Autoren selbst bezeichnen die Ergebnisse ihres Modells als Szenario und nicht als Vorhersage. [136]
Dass der Einbruch trotz dieser unsicheren Beweislage mit wachsender Selbstverständlichkeit der Technologie zugeschrieben wird, führt der Corporate Recruiters Survey 2026 vor, eine weltweite Befragung von Personalverantwortlichen, die der Graduate Management Admission Council (GMAC), der Verband führender Wirtschaftshochschulen, der den Zulassungstest GMAT vergibt, im Frühsommer 2026 veröffentlichte. Befragt wurden mehr als 600 Personalverantwortliche aus 39 Ländern, von denen gut die Hälfte für Unternehmen aus den globalen Fortune-500-Listen rekrutiert, und rund ein Drittel von ihnen gab an, Einstiegsstellen durch künstliche Intelligenz zu ersetzen, mit der Technologiebranche an der Spitze, in der 40 Prozent diese Aussage trafen, gefolgt von der Industrie. Auf den ersten Blick scheint hier die Ursache endlich beim Namen genannt, weil die Arbeitgeber selbst die Maschine als Grund anführen, doch genau diese Form des Belegs verlangt die größte Zurückhaltung. Es handelt sich um eine Selbstauskunft darüber, was Personalverantwortliche zu tun meinen, und nicht um eine Messung dessen, was die Lohnlisten zeigen, und sie stammt überdies von einem Verband, der ein eigenes Interesse am Wert einer betriebswirtschaftlichen Ausbildung hat. Die Zahl stützt also die Richtung des Stanford-Befundes, sie ist aber zugleich das reinste Beispiel für jene Verwechslung von Beobachtung und Ursache, um die es in diesem Kapitel geht, weil ein realer Einstellungsstopp beim Berufseinstieg mit der Begründung versehen wird, die im gegenwärtigen Klima die meiste Aufmerksamkeit verspricht. [42]
Eine naheliegende und unbequeme Alternativerklärung ist die schärfste Zinswende seit vier Jahrzehnten, die jede Neueinstellung beim Berufseinstieg über Nacht verteuert hat. Sie erklärt, warum gerade der Einstieg leidet, ohne dass eine Maschine im Spiel sein müsste, denn Einstiegsstellen sind die ersten, die ein Unternehmen nicht mehr besetzt, wenn das Geld teuer wird. Es gibt einen Präzedenzfall, der dieses Muster eindrücklich vorführt. In der Phase nach dem Platzen der Dotcom-Blase hielt eine verbreitete Story ohne empirische Grundlage junge Menschen davon ab, Informatik zu studieren, bis sich der Markt wenige Jahre später wieder erholte und die Nachfrage zurückkehrte. Das Muster wiederholt sich mit verblüffender Genauigkeit. Auf eine steile Zinserhöhung folgt ein Einstellungsstopp am Berufseinstieg, ein bequemer technologischer Sündenbock liefert die Erklärung, und sobald die Zinsen fallen, kehrt die Nachfrage zurück.
Seit dem Januar 2026 liegt diese Zinserklärung auch in ausgearbeiteter Form vor, und ihre Herkunft macht sie doppelt bemerkenswert, denn sie stammt von Zanna Iscenko und Fabien Curto Millet, zwei Ökonomen aus dem Stab des Chefvolkswirts von Google (google.com), veröffentlicht über den Washingtoner Thinktank Economic Innovation Group. Ihre Auswertung von mehr als 238 Millionen amerikanischen Online-Stellenanzeigen zeigt, dass die Ausschreibungen in den am stärksten exponierten Berufen bereits im Frühjahr 2022 ihren Höchststand erreichten und danach steil fielen, mehr als ein halbes Jahr bevor ChatGPT erschien und exakt in jenem Monat, in dem die amerikanische Notenbank ihre schärfste Zinserhöhungsserie seit vier Jahrzehnten begann. Der Beschäftigungsrückgang ab Ende 2022 wäre demnach nur das verzögerte Echo eines vorgelagerten Einstellungsstopps, weil die normale Fluktuation nicht mehr durch Neueinstellungen ausgeglichen wird. Dazu tritt ein mechanisches Argument, das direkt an der Konstruktion der Stanford-Messung ansetzt. Eine so schmale Altersgruppe wie die der 22- bis 25-Jährigen wird anders als die älteren Jahrgänge nicht von unten durch nachrückende Jahrgänge aufgefüllt, sondern lebt fast ausschließlich von Neueinstellungen, und in einem Rechenbeispiel der Autoren genügt ein einziges Jahr Einstellungsstopp ohne eine einzige Kündigung, um sie um ein Viertel schrumpfen zu lassen, während alle anderen Altersgruppen unverändert bleiben. Schließlich ballen sich die exponierten Berufe ausgerechnet in den zinsempfindlichsten Branchen, denn rund 38 Prozent der Beschäftigten des obersten Expositionsfünftels arbeiten in der Informationsbranche, im Finanzwesen und in unternehmensnahen Diensten, gegenüber weniger als 2 Prozent im untersten. Dass ausgerechnet der Chefvolkswirt eines Technologiekonzerns die beruhigende Lesart vorträgt, ist offen auszuweisen und mahnt zur Vorsicht, entwertet die Daten aber nicht, und so steht die Zinsthese seither nicht mehr als Verdacht im Raum, sondern als ausgearbeitete Gegenthese. [43]
Die Stanford-Forscher haben darauf im Februar 2026 mit einer eigenen Analyse geantwortet, und ihre Antwort zeigt, wie sehr dieser Streit die Diskussion schärft, statt sie zu lähmen. KI-exponierte Berufe, so ihr erster Einwand, sind im Durchschnitt gerade nicht die zinsempfindlichsten, die beiden Maße hängen sogar negativ zusammen, und der Rückstand der exponierten Berufe zeigt sich unabhängig davon, wie zinssensibel ein Beruf ist. Mit dem zweiten Einwand wenden die Forscher das zeitliche Argument gegen die Zinsthese, denn in der Rechnung mit den umfassendsten Kontrollen, die firmenspezifische Schocks vollständig herausrechnet, wird der Einbruch der Jüngsten erst 2024 statistisch fassbar, also genau in der Zeit, in der die Unternehmen die Technologie tatsächlich in ihre Abläufe einbauten, und damit zu spät für die Zinswende und zu früh für eine Entwarnung. Dieser zweite Einwand ist allerdings mit Vorbehalt zu lesen, denn genau jene Kontrollrechnung weisen die Autoren in ihrer Fassung vom August 2026 nur noch als der Richtung nach stimmig aus, mit einer Präzision, die über die Teilstichproben hinweg schwankt. Zugleich räumen die Autoren ein, dass die künstliche Intelligenz nicht die alleinige Ursache der Entwicklung sein dürfte. Entschieden ist der Streit damit nicht, aber er hat sich präzisiert, und genau diese Präzisierung ist der Gewinn, denn die Frage lautet nicht mehr, ob die Karrierelücke existiert, das bestreitet auch die Gegenseite nicht, sondern wie viel davon der Maschine gehört und wie viel dem teuren Geld. [4]
Seit dem späten Frühjahr 2026 steht neben der Zinswende eine zweite Alternativerklärung, und sie ist die analytisch schärfste Herausforderung, die der KI-Zuschreibung bisher erwachsen ist, weil sie den Verdacht nicht nur äußert, sondern testet. Ein Arbeitspapier der London School of Economics mit dem sprechenden Titel The Broken Ladder, verfasst von Peter John Lambert und Yannick Schindler, geht von einer einfachen Beobachtung aus: Die Berufe, die der generativen KI am stärksten ausgesetzt sind, sind über weite Strecken dieselben, die sich am besten ins Homeoffice verlagern lassen, sodass jede Studie, die nur die KI-Exposition betrachtet, unfreiwillig auch den zweiten großen Nachpandemie-Schock mitmisst. Auf der Grundlage von rund 240 Millionen Neueinstellungen und gut 400 Millionen Stellenanzeigen aus den Vereinigten Staaten, Großbritannien, Kanada und Australien der Jahre 2017 bis 2025 zeigen die Autoren zunächst den vertrauten Befund, denn einzeln betrachtet geht eine deutlich erhöhte KI-Exposition bis 2025 mit einem um rund fünf Prozentpunkte niedrigeren Junior-Anteil an den Neueinstellungen einher. Nur gilt dasselbe für die Homeoffice-Exposition, und sobald beide Größen gemeinsam geschätzt werden, bleibt der Homeoffice-Effekt bestehen, während der KI-Koeffizient stark schrumpft und statistisch häufig nicht mehr von null zu unterscheiden ist. Dass der Einbruch beim Berufseinstieg in diesen Daten bereits 2022 einsetzt und damit vor der Massenverbreitung der generativen Werkzeuge, fügt sich in dieses Bild. Die Autoren behaupten nicht, dass die Technologie keine Rolle spielt, wohl aber, dass ein erheblicher Teil dessen, was die Diskussion der Maschine zuschreibt, in Wahrheit eine Folge des verteilten Arbeitens ist, das das Anlernen von Anfängern teuer gemacht hat, und auch dieses Papier ist als noch nicht begutachtetes Working Paper mit der gebotenen Vorsicht zu lesen. [44]
Fast zeitgleich unterlegte ein Beitrag auf der Forschungsplattform der Federal Reserve Bank of New York, verfasst von Natalia Emanuel, Emma Harrington und Amanda Pallais, dieselbe Deutung von der Arbeitslosenseite her. Die Arbeitslosenquote junger amerikanischer Hochschulabsolventen stieg zwischen den Jahren vor und nach der Pandemie um ein Fünftel, während sie bei den erfahrenen Absolventen sogar leicht zurückging, und dieser gewachsene Altersabstand sitzt vollständig in jenen Berufen, die sich gut aus der Ferne erledigen lassen, während er in Präsenzberufen nach einem kurzen Ausschlag im Jahr 2020 längst wieder verschwunden ist. Nach der Überschlagsrechnung der Autorinnen erklärt die Verlagerung ins Homeoffice damit 64 Prozent des gesamten Anstiegs, und die Mechanik dahinter beschreiben sie anhand der internen Daten eines Fortune-500-Konzerns: Wer neben seinen Kollegen sitzt, erhält messbar mehr Rückmeldung und Mentoring, der Verlust trifft die Jüngsten am härtesten, und dieselbe Firma besetzte Stellen in verteilt arbeitenden Teams dauerhaft mit Erfahrenen, auch nachdem die Büros längst wieder offen waren. Auch hier gehört die Vorsicht dazu, denn es handelt sich um einen Blogbeitrag mit einer ausdrücklich als Überschlag gekennzeichneten Rechnung und um eine Mechanik aus einer einzigen Softwarefirma, und die Autorinnen halten selbst fest, dass die Technologie künftig stärker wirken kann. Für die Frage dieses Kapitels ist die Pointe dennoch beträchtlich. Der Streit um die Ursache des Einstiegseinbruchs hat damit drei Kandidaten, die Maschine, das teure Geld und die Distanz, die einander nicht ausschließen, und die ehrlichste Lesart lautet, dass die populärste der drei Erklärungen derzeit die empirisch am schwächsten gesicherte ist. Zugleich konvergieren die Erklärungen in ihrem Endpunkt auf beunruhigende Weise, denn ob die Einstiegsstufe ihre Lernfunktion an die Maschine verliert, die die Routinevorarbeit übernimmt, oder an die Distanz, die das Mentoring kappt, sie dünnt in beiden Fällen aus, und die Frage, woher die Erfahrenen von übermorgen kommen sollen, stellt sich unabhängig davon, welcher der drei Kandidaten sich am Ende als Hauptursache erweist. [45]
> „Die Arbeitslosenquote junger Hochschulabsolventen stieg zwischen den Jahren vor und nach der Pandemie um ein Fünftel, bei den erfahrenen ging sie zurück, und dieser Altersabstand findet sich vollständig in jenen Berufen, die sich gut aus der Ferne erledigen lassen."
Seit dem Frühjahr 2026 liegt zu diesem Streit erstmals eine Untersuchung vor, die beide Kandidaten gegeneinander prüft, statt sie nacheinander abzuhandeln, und sie kommt aus Europa. Magnus Lodefalk, Lydia Löthman, Michael Koch und Erik Engberg vom AI-Econ Lab der Universität Örebro nutzen einen Zufall des schwedischen Zinszyklus als Messinstrument. Die Riksbank begann ihre Zinserhöhungen im April 2022, sieben Monate bevor ChatGPT erschien, und dieser Abstand erlaubt es, die beiden Erklärungen zeitlich zu trennen, was in den amerikanischen Daten wegen des fast gleichzeitigen Verlaufs nicht möglich ist. Das Ergebnis ist zweigeteilt. Bei den 4,6 Millionen Stellenanzeigen der staatlichen Arbeitsvermittlung geht der Rückgang eindeutig auf die Zinswende zurück, der Effekt des ChatGPT-Starts ist statistisch nicht von null zu unterscheiden, und er ballt sich ausgerechnet in jenen Berufen, die sich gerade nicht ins Homeoffice verlagern lassen. Bei der Beschäftigung selbst ergibt sich ein anderes Bild. Auf Grundlage des vollständigen Bevölkerungsregisters, also nicht einer Stichprobe, sondern aller Beschäftigungsverhältnisse mit monatlicher Arbeitgebermeldung, öffnet sich innerhalb desselben Arbeitgebers eine Alterslücke. In den am stärksten exponierten Berufen liegt die Beschäftigung der 22- bis 25-Jährigen im ersten Halbjahr 2025 um 5,5 Prozent unter jener in weniger exponierten Berufen, bei den 26- bis 30-Jährigen sind es knapp 5 Prozent, und bei den über 50-Jährigen steht ein Zuwachs von gut einem Prozent. Bei jungen Frauen fällt der Rückgang etwa doppelt so groß aus wie bei jungen Männern, und ein Drittel dieses Abstands verschwindet, sobald man ihre Berufsverteilung rechnerisch an die der Männer angleicht, während der Rest innerhalb derselben Berufe sitzt. Damit ist zum ersten Mal außerhalb der Vereinigten Staaten und auf Registerdaten statt auf Umfragen oder Anzeigen belegt, was dieses Kapitel behauptet: Die Gesamtnachfrage bricht nicht ein, aber es verschiebt sich, wer eingestellt wird. Zur Vorsicht mahnen die Autoren selbst. Das Papier ist noch nicht begutachtet, die 5,5 Prozent sind der Endpunkt einer über die Zeit auseinanderlaufenden Kurve und nicht der Durchschnittseffekt, der deutlich kleiner ausfällt, und aus Finnland liegt mit demselben Untersuchungsdesign ein Nullbefund vor. Genau das ist der Stand: Der Effekt ist da, er ist nun auch europäisch belegt, und er ist kleiner und langsamer, als die Schlagzeilen ihn darstellen. [46]
Wie die Technologie auf den Berufseinstieg wirkt, lässt sich inzwischen messen. Der frühere Wert eines Berufseinsteigers lag darin, die günstige Kraft für die Routinevorarbeit zu sein, für die Recherche, den ersten Entwurf, den einfachen Code. Genau diese Vorarbeit übernimmt nun das digitale Teammitglied. Dass dieser Kanal tatsächlich wirkt, haben die Stanford-Forscher gezeigt, indem sie die Nutzung je Beruf mit dem Nutzungsindex von Anthropic in einen Automatisierungs- und einen Augmentierungsanteil zerlegt haben, und nur der erste hängt mit den Beschäftigungstrends zusammen. Je größer der Anteil der Aufgaben, die vollständig an die Maschine übergeben werden, desto schwächer entwickelt sich die Beschäftigung der Jüngsten in einem Beruf, während der Anteil der echten Zusammenarbeit zwischen Mensch und KI-Kollege keinen erkennbaren Zusammenhang zeigt. [38] Was seinen Wert behält, ist das Urteil, das nur Erfahrung verleiht. So wertet die Technologie die Erfahrung auf und die Einstiegsstufe ab, ohne die Erfahrenen zu verdrängen.
> „Die Technologie wertet die Erfahrung auf und die Einstiegsstufe ab, ohne die Erfahrenen zu verdrängen."
Eine aktuelle österreichische Untersuchung unterlegt dieses Muster mit einer konkreten Zahl. Eine im Juni 2026 veröffentlichte Auswertung von rund 25.000 offenen Stellen zählt unter den gut 1.000 als Daten- oder KI-Stellen klassifizierten Ausschreibungen nur etwa 6 Prozent, die sich an Berufseinsteiger richten, während sich fast 80 Prozent an erfahrene Profile wenden und das Verhältnis von Senior zu Junior bei über sechs zu eins liegt. Diese Zahl ist als Beleg wertvoll, verlangt aber dieselbe Sorgfalt, die diese Studie überall walten lässt. Sie stammt aus kommerzieller Quelle, sie misst Stellenanzeigen und keine tatsächlichen Einstellungen, und sie erfasst einen einzigen Stichtag, sodass sie zeigen kann, dass die Einstiegsquote heute niedrig ist, nicht aber, dass sie gesunken ist. Wenn die begleitende Berichterstattung diese niedrige Quote dennoch der künstlichen Intelligenz zuschreibt, dann begeht sie genau jene Verwechslung von Beobachtung und Ursache, die diese Studie kritisiert, und wird damit unfreiwillig selbst zum Beispiel für das beschriebene Muster. [47]
Ein amtsnaher deutscher Befund setzt der Story vom pauschal chancenlosen Berufseinstieg zugleich eine Grenze, und er führt zugleich vor, wie viel eine einzelne Gesamtzahl verdeckt. Nach der Auswertung von Timon Hellwagner und Enzo Weber am Institut für Arbeitsmarkt- und Berufsforschung, gestützt auf Mikrozensus und Statistik der Bundesagentur für Arbeit, lag die Erwerbsbeteiligung der 20- bis 24-Jährigen in Deutschland 2025 bei 76,8 Prozent und damit auf dem höchsten Stand seit Jahrzehnten, ein Zuwachs von 7,1 Punkten seit 2015, während die 25- bis 64-Jährigen im selben Zeitraum nur 3,1 Punkte zulegten. Wer daraus eine Entwarnung für den Berufseinstieg abliest, misst allerdings die falsche Größe, und das lässt sich an derselben Quelle zeigen. Zum einen stammt der Zuwachs zwischen 2015 und 2023 nach einer früheren Auswertung desselben Instituts überwiegend von Studierenden, deren Erwerbsquote um 19,3 Punkte auf 56 Prozent stieg, während sie bei den Nichtstudierenden nur um 1,6 Punkte auf 85,9 Prozent zunahm. Gemessen wird hier also zu einem erheblichen Teil der Nebenjob neben dem Studium und nicht der Eintritt in den Beruf. Zum anderen zeigt die Auswertung von 2026, wo diese Erwerbsbeteiligung sitzt. Die Jungen sind in Lebensmittel- und Gastgewerbeberufen um 4,4 und in Handelsberufen um 3,4 Prozentpunkte überrepräsentiert, in unternehmensbezogenen Dienstleistungsberufen dagegen um 3,0 und in Unternehmensführung und -organisation um 3,8 Prozentpunkte unterrepräsentiert, also gerade in jenen Büroberufen, um die der Streit über die KI-Exposition geführt wird. Beide Vorbehalte gehören dazu: Den Vorsprung im Gastgewerbe rechnen die Autoren selbst auf 2,7 Prozentpunkte herunter, sobald man die teilzeitbeschäftigten Studierenden herausnimmt, und dass 20-Jährige selten in der Unternehmensführung sitzen, ist keine Wirkung der Technologie, sondern eine Selbstverständlichkeit des Lebenslaufs. Was bleibt, fügt sich dennoch genau in das Bild, das die schwedischen Registerdaten zeichnen. Die Erwerbsbeteiligung im Ganzen ist hoch und steigt weiter, und trotzdem verschiebt sich innerhalb der exponierten Berufe, wer eingestellt wird. Das eine widerlegt das andere nicht, es sind zwei verschiedene Messungen, und nur die zweite beantwortet die Frage dieses Kapitels. [48]
Eine dritte deutsche Messung führt vor, dass der Einstieg auch dort schmaler wird, wo die Technologie mit Sicherheit nicht die Ursache ist. Andrea Nahles, Vorstandsvorsitzende der Bundesagentur für Arbeit, berichtete Mitte August 2026 von 433.000 für das laufende Jahr gemeldeten Ausbildungsstellen, 7 Prozent weniger als im Vorjahr, von denen zu diesem Zeitpunkt noch 162.000 unbesetzt waren, und davon, dass nur noch 55 Prozent der Betriebe überhaupt ausbilden. Als Grund nennt sie nicht die künstliche Intelligenz, sondern die Unsicherheit der Unternehmen über Auftragslage und wirtschaftliche Aussichten. Für die Frage dieses Kapitels wiegt das doppelt. Der Berufseinstieg läuft im deutschsprachigen Raum zu einem erheblichen Teil über die duale Ausbildung und nicht über den akademischen Bürojob, an dem die amerikanische Diskussion hängt, und gerade dieser Weg dünnt aus konjunkturellen Gründen aus. Hinzu kommt, was nach den Zahlen derselben Behörde daran hängt, denn wer keine abgeschlossene Berufsausbildung hat, trägt über sein Erwerbsleben ein Arbeitslosigkeitsrisiko von 21 Prozent gegenüber 3 Prozent mit Abschluss. Wer die Karrierelücke allein als Wirkung der Maschine erzählt, übersieht, dass die verlässlichste Absicherung gegen ihre Folgen bereits aus anderen Gründen schmaler wird. [5]
Wie stark sich der Berufseinstieg über die Ausbildung vom Einstieg über den akademischen Bürojob unterscheidet, lässt sich seit September 2026 erstmals für Deutschland in einer Zeitreihe ablesen. Das Hiring Lab, die Forschungsabteilung der Jobbörse Indeed, hat die Stellenausschreibungen der eigenen Plattform seit 2019 danach sortiert, ob ihr Titel einen Berufseinstieg, ein Praktikum oder eine Ausbildung anzeigt, und die drei Reihen laufen seit 2022 auseinander. Die Ausschreibungen für Einstiegsstellen erreichten im Juli 2022 einen Stand von bis zu 75 Prozent über dem Durchschnitt des Jahres 2019, sind seither um mehr als zwei Drittel gefallen und lagen im Juli 2026 46 Prozent unter dem Wert von 2019, während der Gesamtmarkt nach einem Rückgang um 38 Prozent noch 8 Prozent über 2019 lag. In 26 von 28 Berufsgruppen ging das Angebot für Einsteiger zurück, in 23 stärker als der Gesamtmarkt, im Marketing um 75, in der Softwareentwicklung um 70 und bei den IT-Anwendungen um 77 Prozent; zugelegt hat es nur in Pflege, Medizin und Pharmazie sowie in Gastronomie und Hotellerie, also in Berufen mit Personalengpässen, die keinen Hochschulabschluss verlangen. Die Ausschreibungen für Berufsausbildungen einschließlich dualer Studiengänge lagen dagegen in der Saison von August 2025 bis Juli 2026 im Durchschnitt 50 Prozent über dem Stand von 2019, trotz leichter Rückgänge seit 2023, und in 20 von 23 Berufsgruppen entwickelte sich das Ausbildungsangebot besser als die Einstiegsstellen; in der Softwareentwicklung standen 70 Prozent weniger Einstiegsstellen 27 Prozent mehr Ausbildungsplätzen für Fachinformatiker gegenüber. Zwei Einschränkungen gehören dazu, und die Autorin der Auswertung, Virginia Sondergeld, zieht sie selbst. Ausbildungsberufe liegen zu einem größeren Teil in Feldern, die die Technologie wenig erreicht, denn nur bei 15 Prozent der Ausbildungsstellen lassen sich nach dem hauseigenen Maß mehr als 60 Prozent der verlangten Fähigkeiten durch generative KI übernehmen oder unterstützen, gegenüber 42 Prozent der Einstiegsstellen, und für Unternehmen kann es in unsicheren Zeiten schlicht die günstigere Option sein, junges Personal selbst zu qualifizieren, statt Hochschulabsolventen einzustellen. Was die Auswertung zur Ursache sagt, fügt sich in das Bild der drei Kandidaten: Die Schere zwischen Einstiegsstellen in stark und in wenig exponierten Berufsgruppen öffnete sich im Frühjahr 2022, ein halbes Jahr vor ChatGPT, und das Hiring Lab hält fest, dass sich ein KI-Effekt in den Daten bislang nicht belegen lässt. Gemessen sind Ausschreibungen einer einzelnen Plattform, gefiltert über Wörter im Stellentitel, keine Einstellungen und keine Beschäftigung. [140]
Wie diese Daten in der Öffentlichkeit ankommen, zeigte sich, noch bevor die Auswertung erschien. Die Zeit veröffentlichte sie am 18. September 2026 unter der Überschrift, wo Einsteigerjobs wegen KI wegfielen, und ließ im Text Melanie Arntz, die Vizedirektorin des Instituts für Arbeitsmarkt- und Berufsforschung, das Gegenteil erklären: In einer Wirtschaftskrise sei es üblich, dass Einstiegsstellen wegfielen, weil Unternehmen ungern entlassen, stattdessen auf altersbedingte Abgänge setzen und weniger neu einstellen, was weniger Aufwand bedeute und das Wissen im Unternehmen halte. Das ist in einem Satz die Mechanik, die dieses Kapitel an amerikanischen und schwedischen Daten vermessen hat: Die Lücke entsteht auf der Einstellungsseite und nicht durch Trennungen, und sie trifft die Jüngsten, weil ihre Altersgruppe fast nur aus Neueinstellungen besteht. Dass diese Zurückhaltung das Wissen im Unternehmen hält, ist zugleich der Grund, warum die Erfahrenen ihren Wert behalten, und führt zu der Frage, die dieses Kapitel am Ende stellt, nämlich woher die Erfahrenen von übermorgen kommen sollen. [141]
Was diese deutschen Messungen an Stellen und Ausbildungsplätzen zeigen, hat seit dem August 2026 eine Entsprechung beim Lohn. Das Münchner ifo Institut hat in seiner Konjunkturumfrage im Juni 2026 über 3.000 deutsche Unternehmen, die künstliche Intelligenz bereits einsetzen, danach gefragt, wie sich die Technologie in den kommenden fünf Jahren auf die Löhne ihrer Beschäftigten auswirken wird, und die Antworten fallen nach Berufserfahrung und Abschluss deutlich auseinander. Bei Arbeitskräften mit weniger als fünf Jahren Berufserfahrung rechnet etwa jedes zweite Unternehmen mit sinkenden Löhnen, bei den Erfahreneren rund vier von zehn. Die aufschlussreichste Zahl der Befragung ist dabei jene, die der landläufigen Erwartung widerspricht. Für Berufsanfänger mit Hochschulabschluss liegt der Anteil mit 50,8 Prozent sogar geringfügig über dem für Berufsanfänger ohne Abschluss von 48,3 Prozent, und die Aussicht auf einen steigenden Lohn entsteht erst mit der Berufserfahrung und dann vor allem für die Akademiker, bei denen 26 Prozent der Unternehmen einen positiven Lohneffekt für möglich halten, gegenüber 16,3 Prozent bei den Akademikern am Anfang und 5,9 Prozent bei den Berufsanfängern ohne Abschluss. Der formale Abschluss schützt den Einstieg demnach nicht, er zahlt sich erst zusammen mit der Erfahrung aus. Das ist genau die Verschiebung, die dieses Kapitel an Ausschreibungen, Beständen und Einstellungen bereits vermessen hat, hier zum ersten Mal aus deutschen Betrieben und nicht an Stellen, sondern am Lohn. Zur Redlichkeit gehört, dass Erwartungen erhoben wurden und keine gezahlten Löhne, dass ausschließlich Unternehmen antworteten, die die Technologie bereits nutzen, und dass das Institut weder den Fragewortlaut noch die Antwortkategorien veröffentlicht, weshalb offenbleibt, ob die Befragten an tatsächlich fallende Löhne dachten oder an ein langsameres Wachstum. [49]
Seit dem Frühjahr 2026 lässt sich die österreichische Momentaufnahme aus den Stellenanzeigen an einer zweiten, unabhängig erhobenen Messung prüfen, die nicht Ausschreibungen zählt, sondern den Bestand. Ein Forscherteam der Wirtschaftsuniversität Wien um Christian Schumacher und Can Tihanyi hat gemeinsam mit Andreas Schumacher, dem Innovationsvorstand des Anlagenbauers VTU, die österreichische KI-Fachbelegschaft aus den standardisierten Berufsprofilen von Revelio Labs vermessen, also im Wesentlichen aus Daten beruflicher Netzwerke wie LinkedIn und XING, die gut ein Fünftel der amtlichen Beschäftigung erfassen: 2,86 Millionen Positionsdatensätze aus acht Jahren.[50] Danach zählt Österreich rund 4.600 im Panel sichtbare Fachkräfte, deren Beruf im Kern darin besteht, künstliche Intelligenz zu entwickeln, zu betreiben oder in Geschäftsprozesse einzubetten, und von ihnen sind nur 6 Prozent Berufseinsteiger, gegenüber 23 Prozent in der übrigen Beschäftigung desselben Panels. Der Bestand bestätigt damit die Anzeigen, und er sagt mehr als sie, denn er zeigt, wie diese Belegschaft entstanden ist: nicht über den Berufseinstieg, sondern über Seiteneinstiege erfahrener Fachleute aus benachbarten technischen und analytischen Berufen. Dazu kommt ein zweiter Befund, der die Karrierelücke verschärft. Die wenigen, die einsteigen, gehen am häufigsten wieder, gut ein Fünftel der Einsteiger setzt die Laufbahn im Ausland fort, an der Spitze der Hierarchie ist es knapp jeder Zehnte. Die Autoren lesen die 6 Prozent selbst doppelt, als Merkmal einer erfahrungsintensiven Tätigkeit und als Warnung, dass eine Belegschaft ohne Nachwuchs altert. Für dieses Kapitel liegt der Punkt woanders: Ausgerechnet in den Berufen, die die Technologie selbst hervorbringt, ist der Einstieg am schmalsten. Der Report ist nicht begutachtet und beruht auf einem Panel beruflicher Netzwerkprofile, seine absoluten Zahlen sind deshalb Panelgrößen und keine amtlichen Bestände; das Muster aber deckt sich mit dem, was Anzeigen, amerikanische und schwedische Daten gleichermaßen zeigen.
Einen ungewöhnlichen Beleg für dasselbe Muster liefert eine Untersuchung der Harvard Business School und von INSEAD aus dem Juni 2026, die nicht bestehende Belegschaften untersucht, sondern neu gegründete Firmen selbst. Hyunjin Kim und Rembrand Koning verknüpften die Beschäftigtendaten von rund 2.200 amerikanischen Start-ups aus den Jahrgängen des Akzelerators Y Combinator (ycombinator.com) sowie einer breiteren Stichprobe von mehr als 40.000 venture-finanzierten Firmen mit einer Datenbank von Beschäftigtenprofilen und stellten fest, dass KI-native Unternehmen gegenüber vergleichbaren Nicht-KI-Firmen desselben Gründungsjahrgangs und derselben Branche rund 25 Prozent kleiner und im Mittel eine halbe Hierarchieebene flacher organisiert sind. Auf Firmenebene liegt der Anteil der Einsteiger bei den KI-nativen Unternehmen rund 4 bis 6 Prozentpunkte niedriger, der Anteil der Erfahrenen entsprechend höher, ein Muster, das der zuvor beschriebenen Verschiebung in denselben Berufen exakt entspricht, hier jedoch nicht bei bestehenden Firmen beobachtet, die sich umbauen, sondern bei Firmen, die von ihrer Gründung an mit weniger Einstiegspersonal konzipiert werden. Die Autoren mahnen selbst ausdrücklich zur Vorsicht, ihren Firmenbefund nicht unmittelbar in einen gesamtwirtschaftlichen Beschäftigungsbefund zu übersetzen, weil künstliche Intelligenz zugleich weit mehr Firmengründungen ermöglicht als früher, die Zahl der KI-Erstfinanzierungen in der breiteren Stichprobe lag 2024 rund achtmal so hoch wie 2020, sodass eine im Schnitt kleinere Firma nicht zwingend weniger Gesamtbeschäftigung im Segment bedeutet. Für die hier verhandelte zweite Kraft bleibt dennoch bemerkenswert, dass sich die Entwertung der Einstiegsstufe auf zwei unabhängigen Datenebenen zeigt, einmal in den Lohndaten bestehender Berufe, einmal in der Organisationsstruktur neu gegründeter Firmen. [51]
> „KI-native Unternehmen sind rund 25 Prozent kleiner und flacher organisiert als vergleichbare Firmen desselben Gründungsjahrgangs und derselben Branche."
Dass dieses Muster nicht auf bestehende Berufe und neu gegründete Firmen beschränkt bleibt, deutet eine Beobachtung aus dem Sommer 2026 an, die aus der Praxis stammt und auch nur als Praxisbeobachtung gelten kann. Die amerikanische Fachfrau für Content-Marketing Kaleigh Moore zählte binnen zwei Wochen rund 50 ausgeschriebene Vollzeitstellen für die Sichtbarkeit in KI-Suchsystemen, ein Berufsbild, das es vor 18 Monaten noch nicht gab und das unter Kürzeln wie AEO oder GEO gerade erst einen Namen sucht, bei Unternehmen von Stripe (stripe.com) über Pfizer (pfizer.com) bis eBay (ebay.com) und quer durch die Branchen. Aufschlussreich an dieser Sammlung ist weniger die Zahl, die aus der privaten Zählung einer kommerziell interessierten Beobachterin stammt und keine Marktgröße misst, als die Ebene, auf der die Stellen angesiedelt sind. Die ausgeschriebenen Positionen sind fast durchweg Stellen für Direktoren, Vizepräsidenten und leitende Manager mit eigenem Budget und eigenen Berichtslinien und mit Gehaltsspannen, die in der Spitze über 200.000 Dollar reichen, während Einstiegs- und Juniorstellen in der Sammlung praktisch fehlen. Das erste Marketing-Berufsbild, das die KI-Welle selbst hervorgebracht hat, wird also von oben her besetzt, und wo neue Arbeit entsteht, wird die Einstiegsstufe offenbar gar nicht erst geschaffen. Stellenanzeigen belegen keinen Beschäftigungseffekt, wohl aber Organisationsentscheidungen, und diese Entscheidung fällt hier auf dieselbe Weise aus wie bei den KI-nativen Neugründungen: Das neue Feld beginnt bei der Erfahrung. [52]
> „Das erste Marketing-Berufsbild, das die KI-Welle hervorgebracht hat, wird von oben besetzt, Einstiegsstellen sind gar nicht erst vorgesehen."
Wie weit dieses Muster inzwischen die etablierte Marktbeobachtung erreicht hat, zeigt eine Prognose des Marktforschers Gartner vom Juli 2026, die für die Frage dieses Kapitels doppelt aufschlussreich ist, weil sie beide Seiten der Rechnung in sich vereint. Einerseits erwartet Gartner, dass im Jahr 2029 60 Prozent der Organisationen ihre Softwareentwicklung flächendeckend auf deutlich kleinere Teams umstellen, gegenüber 15 Prozent im Jahr 2026, auf Einheiten von heute typischerweise vier bis fünf, künftig teils nur zwei bis drei Personen, in denen die klassischen Rollengrenzen verschwimmen und jedes Mitglied neben dem eigenen Fach auch die Aufsicht über KI-Akteure trägt. Andererseits verbindet Gartner diese Erwartung gerade nicht mit schrumpfenden Belegschaften, denn die zuständige Analystin Aliyah Camacho erwartet, dass die Technologie die Nachfrage nach Softwareentwicklern insgesamt steigen lässt und nicht sinken, weil der wachsende Bedarf an Software die Effizienzgewinne übersteigen werde, und sie besteht darauf, dass die kleinen Teams keine Kostensenkungstaktik sind, sondern eine Neuordnung, die sich an den jeweiligen Stärken von Mensch und Maschine ausrichtet. Die eigentliche Pointe für dieses Kapitel liegt in der Warnung, die Gartner derselben Mitteilung mitgibt. Wer sich auf die Technologie verlasse, um Junior-Stellen zu streichen, hemme den Wissenstransfer, dünne den eigenen Nachwuchs aus und zwinge sich am Ende zur Rekrutierung auf dem teuersten und umkämpftesten Segment des Arbeitsmarkts, und bis 2028, so die datierte Vorhersage, würden Organisationen, die so verfahren, ihre eigene Nachwuchsbasis ausgehöhlt haben. Als Schätzung eines kommerziellen Marktforschers, der seine Methode nicht offenlegt, ist die Zahl selbst mit der gebotenen Vorsicht zu behandeln, doch ihre Richtung ist bemerkenswert, denn hier spricht nicht ein Bildungsträger mit eigenem Interesse am Nachwuchs, sondern der Marktforscher, der den Unternehmen die kleineren Teams gerade selbst zur Norm erklärt, und er erklärt ihnen im selben Atemzug, dass die Einstiegsstufe dabei nicht die Sparmasse sein darf. [53]
> „Wer sich auf die Technologie verlässt, um Junior-Stellen zu streichen, muss am Ende auf dem teuersten und umkämpftesten Segment des Arbeitsmarkts rekrutieren."
Wie die erwartete Beschäftigungsminderung überhaupt zustande kommen soll, beantwortet eine Befragung, die methodisch aus einer ganz anderen Liga stammt als die Selbstauskünfte der Personalverantwortlichen. Für das Working Paper „Firm Data on AI" (Yotzov, Barrero, Bloom, Bunn, Davis und andere, National Bureau of Economic Research, 2026) haben vier Notenbanken und eine australische Universität zwischen November 2025 und Januar 2026 knapp 6.000 Führungskräfte in den Vereinigten Staaten, Großbritannien, Deutschland und Australien mit wortgleichen Fragen befragt, wobei die Teilnehmenden nicht bezahlt wurden, ihre Identität geprüft wurde und die Panels über zehn Jahre gegen die amtlichen Gesamtwerte validiert worden sind. Über die vergangenen drei Jahre berichten mehr als neun von zehn dieser Unternehmen keinerlei Wirkung der künstlichen Intelligenz auf ihre Beschäftigung. Für die kommenden drei Jahre erwarten sie im Schnitt einen Rückgang um 0,7 Prozent, und einer Teilstichprobe britischer Firmen stellten die Forscher die entscheidende Anschlussfrage, nämlich woher diese Minderung kommen soll. Rund zwei Drittel davon entfallen nicht auf Trennungen von bestehenden Beschäftigten, sondern darauf, dass weniger neue Leute eingestellt werden. Das ist die Mechanik dieses Kapitels, von der Führungsseite her und aus einer Quelle ohne Anbieterinteresse bestätigt. Der Arbeitsmarkt, den diese Erwartung beschreibt, verliert keine Stellen, er hört auf, neue auszuschreiben, und wer eine Stelle hat, merkt davon nichts. Zur Redlichkeit gehört, dass es sich um Erwartungen von Führungskräften über das eigene Unternehmen handelt und nicht um eine Messung, und dass der Durchschnittswert erst dadurch entsteht, dass die Forscher fünf Antwortkategorien mit Zahlenwerten belegen. [54]
Dieselbe Befragung stellte die identischen Fragen rund 3.000 amerikanischen Beschäftigten, und der Abstand zwischen beiden Antworten ist die vielleicht aufschlussreichste Zahl des ganzen Papiers. Die Beschäftigten erwarten, dass künstliche Intelligenz die Beschäftigung in ihrem eigenen Unternehmen über die kommenden drei Jahre um ein halbes Prozent erhöht. Ihre Vorgesetzten erwarten für dasselbe Unternehmen einen Rückgang, in den Vereinigten Staaten um 1,2 Prozent. Bei der Produktivität dreht sich das Verhältnis um, denn dort sind die Beschäftigten mit 0,9 Prozent die Vorsichtigeren und die Führung mit 2,3 Prozent die Zuversichtliche. Wer den Jobkiller sucht, findet ihn also weder in den Lohnlisten noch in den Köpfen der Belegschaft, sondern in der Erwartung der Führungsetage, und diese Erwartung hat bislang keine gemessene Entsprechung. Auf der Gegenseite gilt dasselbe: Auch die Zuversicht der Beschäftigten ruht auf nichts als einer Vermutung. Zwei Gruppen im selben Unternehmen irren mit hoher Wahrscheinlichkeit in entgegengesetzte Richtungen, und die öffentliche Diskussion ist nur die laute Version dieses Missverständnisses. [54]
> „Wer den Jobkiller sucht, findet ihn weder in den Lohnlisten noch in der Belegschaft, sondern in der Erwartung des Managements, und diese Erwartung hat bislang kein gemessenes Ergebnis."
Was die Lohndaten, die Firmendaten und die Analystenwarnungen von außen vermessen, bestätigen die Betroffenen nicht nur in ihren Erwartungen, sondern auch in dem Rat, den sie an die Nachrückenden weitergeben, und zwar in einer Form, die aufhorchen lässt. Dieselbe Stimmungsumfrage von Lenny's Newsletter, die im Kapitel zur ersten Kraft die Innensicht der Beschäftigten lieferte, stellte den über 5.000 erwerbstätigen Befragten 2026 erstmals die Frage, ob sie einem Einsteiger eine Karriere im eigenen Beruf empfehlen würden. Mehr als die Hälfte würde aktiv abraten, und das Gefälle folgt exakt der Berufserfahrung, um deren Anfang es in diesem Kapitel geht. Je ranghöher jemand bereits ist, desto eher hält er diesen Berufsweg noch für lohnend, Gründer raten fast neutral, erfahrene Fachkräfte in der Mitte ihrer Laufbahn raten am deutlichsten ab, und selbst ein Drittel derer, die für die eigene Karriere optimistisch sind, würde den eigenen Weg niemandem mehr empfehlen. Die Autoren fassen diese Haltung in die Formel, das Wasser sei angenehm, aber man solle nicht hereinkommen: Die Etablierten fühlen sich selbst sicher, weil die Technologie ihre Erfahrung verstärkt, doch sie haben das Vertrauen verloren, dass der Weg, über den sie selbst gekommen sind, den Nachrückenden noch offensteht. Bemerkenswert ist, dass die Umfrage in ihren Empfehlungen an Führungskräfte dieselbe Warnung ausspricht wie Gartner, nämlich die Einstiegsstufe nicht austrocknen zu lassen, weil die Einstiegsarbeit, die heute die Maschine erledigt, das Lehrmaterial war, an dem die Erfahrenen von morgen lernen. Auch diese Zahlen verlangen die gewohnte Einordnung, denn sie stammen aus einer selbstselektierten, von Produktmanagern geprägten und überwiegend erfahrenen Leserschaft eines amerikanischen Branchen-Newsletters und messen Haltungen, keine tatsächlichen Neueinstellungen. Doch gerade darin liegt ihr eigenes Gewicht, denn hier klagen nicht Betroffene über erlittene Ablehnung, sondern die Begünstigten der Verschiebung bezeugen selbst, dass der Einstieg, den sie nicht mehr brauchen, für die anderen weggebrochen ist. [28]
Die Entwertung der Einstiegsstufe hat eine Folge, die weit über die aktuelle Diskussion hinausreicht und in der Aufregung über die Schlagzeile fast immer übersehen wird. Wenn die Stufe ausdünnt, auf der man früher das Handwerk lernte, stellt sich die Frage, woher die erfahrenen Fachkräfte von übermorgen kommen sollen. Die Aufwertung der Erfahrenen durch die Technologie hält nur so lange an, wie genug Erfahrene nachwachsen, und eine Wirtschaft, die die Ausbildung ihres Nachwuchses vernachlässigt, verbraucht eine endliche Ressource. Die zweite Kraft ist damit real, aber in ihrer Ursache umstritten, und die ehrliche Haltung besteht nicht darin, den Streit zugunsten der einfachen Geschichte aufzulösen, sondern ihn auszuhalten und zugleich zu zeigen, wo die eigentliche Gefahr liegt. Dass diese Frage nicht erst am Arbeitsmarkt beginnt, zeigt die im Kapitel zur dritten Kraft ausgewertete Untersuchung an 26.811 chinesischen Schülerinnen und Schülern, in der das Können bereits in der Schule nachließ, während die abgegebenen Arbeiten immer besser aussahen.[55]
### Der Blick nach vorn
Die Karrierelücke wird nicht dadurch geschlossen, dass einer der drei Ursachenkandidaten den wissenschaftlichen Streit gewinnt, denn die Einstiegsstufe dünnt in jedem der drei Szenarien aus. Sie wird geschlossen, indem Unternehmen den Berufseinstieg bewusst neu bauen, und die Umrisse dieses Neubaus sind bereits erkennbar. Wenn die Maschine die Routinevorarbeit übernimmt, die früher das Lehrmaterial der Anfänger war, dann verschiebt sich die Lernaufgabe des Einsteigers von der Ausführung zur Aufsicht, vom ersten Entwurf zum prüfenden Urteil über den Entwurf der Maschine, und ein so verstandener Einstieg kann Erfahrung schneller aufbauen als der alte, nicht langsamer. Gerade der deutschsprachige Raum verfügt mit der dualen Ausbildung über eine gewachsene Einrichtung, in der dieses Prinzip des begleiteten Lernens am echten Fall seit Generationen gelebt wird und die sich auf die Arbeit mit digitalen Teammitgliedern übertragen lässt, während andere Arbeitsmärkte etwas Vergleichbares erst erfinden müssen.
> „Wenn die Maschine die Routinearbeit übernimmt, die früher die Lernaufgabe des Einstiegs war, verschiebt sich der Einstieg von der Ausführung auf die Aufsicht, und Erfahrung lässt sich so schneller aufbauen als auf dem alten Weg."
Dass dieser Neubau kein bloßer Wunsch bleibt, zeigen erste Unternehmen, die ihn bereits erproben. Das Beratungsunternehmen BCG (bcg.com), in dessen Befragung von 70 Führungskräften mehr als die Hälfte die langsamere Entwicklung des Nachwuchses als Risiko nennt, berichtet vom Ölkonzern Shell, der die Lernwege seiner Berufseinsteiger umgekehrt hat. Die Jüngeren müssen dort ein Problem zuerst selbst umreißen, ihre Annahmen prüfen und eine eigene erste Analyse vorlegen, ehe sie die künstliche Intelligenz überhaupt hinzuziehen, die ihre Arbeit dann verfeinert, statt sie ihnen abzunehmen. Der Gedanke trifft den Kern der Karrierelücke, denn ein Urteil reift nur an der Arbeit selbst, und wer den Anfängern die mühsame Vorarbeit ganz erspart, nimmt ihnen die Übung, aus der Erfahrung erst wächst. Als Bericht einer Beratung mit eigenem Interesse an solchen Umbauten ist das Beispiel mit Vorsicht zu lesen, doch es führt anschaulich vor, wie ein neu gebauter Einstieg aussehen kann. [56]
Absehbar ist zugleich, dass die Unternehmen, die heute ihre Einstiegsstellen streichen, in wenigen Jahren auf dem teuersten und umkämpftesten Segment des Marktes nachkaufen müssen, was sie an Nachwuchs nicht ausgebildet haben. Die ersten Unternehmen, die den Einstieg neu gebaut haben, werden ihren Vorsprung dann genau dort haben, wo heute die Lücke entsteht.
---
## Die zweite Achse der Karrierelücke verläuft entlang des Geschlechts, beim Risiko wie beim Zugang
Die Diskussion über die Karrierelücke wird fast ausschließlich als Altersfrage geführt, und das vorige Kapitel hat gezeigt, warum: Dort liegen die Messungen, und dort liegt der Streit. Die zweite Achse verläuft entlang des Geschlechts, und sie verdient ein eigenes Kapitel, weil sie sich an zwei verschiedenen Stellen zeigt, die in der öffentlichen Diskussion regelmäßig vermengt werden. Die erste Stelle ist das Risiko, also die Frage, ob Frauen häufiger in Berufen arbeiten, deren Aufgaben die Technologie übernehmen kann. Die zweite ist der Zugang, also die Frage, ob Frauen die Technologie dort, wo sie arbeiten, ebenso nutzen wie Männer. Auf beide Fragen gibt es inzwischen belastbare Antworten, und sie fallen verschieden aus. Für den deutschsprachigen Raum wiegt das doppelt, weil der deutsche Arbeitsmarkt, wie das Deutsche Institut für Wirtschaftsforschung festhält, stark nach Geschlechtern getrennt ist und weil die Berufe, in denen der demografische Abgang den größten Zusatzbedarf erzeugt, überwiegend Frauenberufe sind.
Auf der Seite des Risikos ist die internationale Befundlage in der Richtung eindeutig und im Ausmaß uneinig. Eine im März 2026 veröffentlichte Untersuchung der Internationalen Arbeitsorganisation, gestützt auf harmonisierte Mikrodaten aus 84 Ländern, ermittelt, dass frauendominierte Berufe der generativen KI fast doppelt so häufig ausgesetzt sind wie männerdominierte, mit 29 zu 16 Prozent, und dass der Abstand in der höchsten Expositionskategorie noch größer ausfällt, mit 16 zu 3 Prozent, wobei auch hier die eingangs beschriebene Unterscheidung zwischen Exposition und tatsächlicher Verdrängung gilt. Die Ursache liegt in der Berufswahl selbst und nicht in der Technologie, denn Frauen sind in Sekretariats-, Rezeptions- und Sachbearbeitungsberufen mit routinemäßigen, gut kodierbaren Aufgaben überrepräsentiert, während Männer stärker im Bau- und Fertigungsgewerbe arbeiten, wo sich Tätigkeiten schwerer automatisieren lassen. [57] Eine methodisch unabhängige Untersuchung des Internationalen Währungsfonds von Anfang 2024, die ein breiteres und nicht allein auf generative Werkzeuge zugeschnittenes Expositionsmaß verwendet, bestätigt die Grundrichtung, wonach Frauen in den meisten der untersuchten Länder häufiger in stark exponierten Berufen arbeiten als Männer, fügt aber eine Nuance hinzu. Weil sich diese Exposition bei Frauen etwa hälftig auf Berufe verteilt, in denen die Technologie eher ergänzt, und auf solche, in denen sie eher ersetzt, tragen Frauen damit nicht nur ein größeres Risiko, sondern stehen zugleich vor einer größeren Chance, sofern ihnen der Zugang zu den passenden Werkzeugen offensteht. [57] Genau an diesem Zugang hakt es bislang, denn eine Untersuchung der OECD von Ende 2024 ermittelt zwar eine insgesamt ähnliche unbereinigte Expositionsrate zwischen den Geschlechtern, dokumentiert aber innerhalb derselben Berufe eine Lücke von 20 Prozentpunkten bei der tatsächlichen Nutzung von ChatGPT zulasten der Frauen. [57]
Mit den amerikanischen Lohnabrechnungsdaten, auf denen die Stanford-Messung der Karrierelücke beruht, lässt sich dieser Befund erstmals nicht nur an der Exposition, sondern an der tatsächlichen Beschäftigung prüfen. Brynjolfsson, Chandar und Chen halten in der Fassung vom August 2026 fest, dass Frauen in jedem Alter in stärker exponierten Berufen arbeiten als Männer, in ihrer eigenen Stichprobe ebenso wie in der amtlichen Bevölkerungsbefragung. Von den 22- bis 25-jährigen Frauen arbeiten nach der amtlichen Erhebung 37,8 Prozent in den beiden am stärksten exponierten Fünfteln der Berufe, von den gleichaltrigen Männern 31,4 Prozent, und der Abstand bleibt über alle Altersgruppen bestehen. Die Beschäftigungsrückgänge der Jüngsten fallen bei den jungen Frauen entsprechend steiler aus als bei den jungen Männern, was die Autoren damit erklären, dass sich junge Frauen stärker in den schrumpfenden, hoch exponierten Berufen konzentrieren. Auch die Berufe selbst unterscheiden sich nach Geschlecht, denn im am stärksten exponierten Fünftel konzentrieren sich Männer in technischen Tätigkeiten wie der Softwareentwicklung, im am schwächsten exponierten Fünftel Frauen in Reinigungs- und Gesundheitsberufen. Die Autoren selbst mahnen zur Vorsicht, weil ihre Stichprobe die exponierten Berufe überzeichnet, bei Frauen stärker als bei Männern, und sie bezeichnen die Geschlechterfrage ausdrücklich als Thema, das in den kommenden Jahren weiter beobachtet werden müsse.[4]
Für Deutschland liegt seit April 2026 eine eigene Untersuchung des Risikos vor, und sie korrigiert die naheliegende Erwartung. Virginia Sondergeld vom Hiring Lab der Jobbörse Indeed, zugleich Gastwissenschaftlerin am Deutschen Institut für Wirtschaftsforschung (diw.de), hat gemeinsam mit Katharina Wrohlich und Julia Redelings vom DIW den Transformationsindex ihres eigenen Hauses mit den Geschlechteranteilen des Mikrozensus verknüpft. Dass die Erstautorin für den Datenlieferanten arbeitet, gehört ausgewiesen, ändert an der Verknüpfung mit den amtlichen Daten aber nichts. Der Index schätzt für jede Berufsgruppe, welcher Anteil der in Stellenanzeigen verlangten Fähigkeiten sich ganz oder teilweise durch generative KI verändern lässt. Ein linearer Zusammenhang zwischen Frauenanteil und Transformationspotenzial zeigt sich nicht, sondern ein umgekehrtes U. An beiden Rändern der Verteilung, in der Kinderbetreuung mit über 90 Prozent Frauen wie im Bauwesen mit über 95 Prozent Männern, lässt sich kaum eine Kernfähigkeit durch die Technologie verändern; in der Kinderbetreuung lassen sich weniger als ein Prozent der Fähigkeiten vollständig verändern und zwei Drittel nur minimal. Die Berufe mit dem höchsten Potenzial dagegen, die Softwareentwicklung mit knapp 84 Prozent, die Buchhaltung mit gut 75 und das Marketing mit 73 Prozent, sind überwiegend gemischt besetzt. Frauen arbeiten etwas häufiger in Berufen mit höherem Potenzial, doch der Unterschied liegt in der Mitte der Verteilung: In Berufen, in denen sich 60 bis 70 Prozent der Fähigkeiten verändern lassen, arbeiten 23 Prozent der Frauen gegen 12 Prozent der Männer, während an den Rändern beide Geschlechter gleich vertreten sind, am unteren Rand mit 20 bis 30 Prozent veränderbaren Fähigkeiten je rund 13 Prozent, am oberen Rand mit 70 bis 80 Prozent je rund 7 Prozent. Das Institut zieht daraus den Schluss, das Transformationspotenzial betreffe Männer ebenso wie Frauen, und der Bedarf an Weiterbildung bestehe bei allen. Für diesen Report ist die Kehrseite des Befunds die aufschlussreichere: Die frauendominierten Pflege- und Betreuungsberufe, in denen das Demografie-Kapitel den größten Zusatzbedarf verortet, sind für die Technologie am wenigsten erreichbar, und damit bleibt gerade dort, wo die Personallücke am größten ist, jene Entlastung aus, auf die der Rest der Wirtschaft hofft.[58]
Für den deutschsprachigen Raum liegt der Zugangsbefund seit Dezember 2025 erstmals als amtliche Messung vor, und sie zeigt, wo der Abstand entsteht. Die Eurostat-Statistik zur IKT-Nutzung in Haushalten, die 2025 zum ersten Mal nach generativer KI fragte, ermittelt für Deutschland, dass 35 Prozent der Männer und 30 Prozent der Frauen zwischen 16 und 74 Jahren in den drei Monaten vor der Befragung generative KI genutzt haben. Privat nutzen Männer die Werkzeuge um 20 Prozent häufiger als Frauen, 30 gegen 25 Prozent. Im Beruf sind es 29 Prozent, 18 gegen 14 Prozent. Der Abstand ist im Job also größer als zu Hause. Bei den 16- bis 24-Jährigen kehrt er sich um: 57 Prozent der jungen Frauen haben generative KI genutzt, 49 Prozent der jungen Männer. Der Gender Gap kommt demnach nicht aus Schule und Freundeskreis mit, er entsteht im Betrieb. Österreich zeigt dasselbe Muster mit denselben Vorzeichen, privat 15 und beruflich 30 Prozent Vorsprung der Männer, bei den Jungen 14 Prozent Vorsprung der Frauen. [6]
Woran das liegt, zeigt eine Sonderauswertung des Instituts für Arbeitsmarkt- und Berufsforschung gemeinsam mit der Initiative D21. Sie beruht auf einer Befragung vom Juli 2024 und bildet die Größe des Abstands deshalb nicht mehr aktuell ab, wohl aber seine Bedingungen. Wo der Arbeitgeber die Qualifizierung finanziert, schrumpft der Abstand bei intensiver Nutzung auf einen einzigen Prozentpunkt. Wo das Wissen dagegen informell über technikbezogene Freundeskreise und Fachgemeinschaften wandert, steigt die Nutzung allein bei den Männern und der Abstand wird größer. [6] Die Geschlechterachse der Karrierelücke ist damit weniger eine Frage der Neigung als eine der Organisation, und sie entscheidet sich ausgerechnet an jenem Faktor, den das Kapitel zum langen Umbau als den stärksten der gesamten Einführung ausweist, der bezahlten und ausdrücklich erlaubten Qualifizierung.
> „Die Geschlechterachse der Karrierelücke ist weniger eine Frage der Neigung als eine der Organisation, und sie entscheidet sich an der bezahlten Qualifizierung."
Die internationalen Quellen widersprechen einander in der Frage, wie ungleich die unbereinigte Exposition tatsächlich verteilt ist, und die deutsche Untersuchung zeigt, dass die Achse hierzulande durch die Mitte der Berufsverteilung läuft und nicht entlang ihrer Ränder. Sie stimmen aber genau in dem Punkt überein, auf den es in diesem Kapitel ankommt. Ob über die Berufswahl oder über den Zugang zu den Werkzeugen, die Lasten und die Chancen der Technologie verteilen sich nicht zufällig, sondern folgen bestehenden Mustern der Arbeitsteilung, und wer nur auf das Alter blickt, sieht nur die eine Hälfte der Karrierelücke.
### Der Blick nach vorn
Die Geschlechterachse wird sich in den kommenden Jahren nicht an der Technologie entscheiden, sondern an derselben Stelle wie die Altersachse, nämlich daran, wie die Unternehmen die Qualifizierung organisieren. Die deutsche Nutzungslücke schrumpft nach der IAB-Auswertung von 2024 dort auf einen einzigen Prozentpunkt, wo der Arbeitgeber die Weiterbildung bezahlt, und sie wächst dort, wo das Wissen informell über technikaffine Freundeskreise wandert. Das ist eine ungewöhnlich klare Handlungsanweisung für eine Frage, die sonst gern als Kulturfrage behandelt wird, und sie deckt sich mit dem, was das Kapitel zum langen Umbau als den stärksten einzelnen Faktor der gesamten Einführung ausweist. Für die Folgeausgaben dieses Reports sind damit zwei Längsschnittfragen gesetzt. Die erste lautet, ob sich die amerikanische Beobachtung, dass die Beschäftigung junger Frauen in exponierten Berufen steiler zurückgeht als die junger Männer, im deutschsprachigen Raum wiederholt, sobald die Verzögerung aufgeholt ist, oder ob der Kündigungsschutz auch diese Achse dämpft. Die zweite lautet, ob der berufliche Gender Gap von 29 Prozent, den Eurostat für Deutschland 2025 ausweist, in der Jahreszahl für 2026 messbar kleiner wird, und ob er zuerst in jenen Unternehmen schrumpft, die die Qualifizierung bezahlen. Der demografische Zusatzbedarf in den Pflege- und Betreuungsberufen, bei dem die Technologie kaum Entlastung bringen kann, bleibt dabei die Größe, die alle anderen relativiert. Er wird nicht dadurch kleiner, dass die Büroarbeit produktiver wird, und er entscheidet mit darüber, wie viele Frauen in den kommenden Jahren überhaupt in jene Berufe wechseln können, in denen die Technologie ihnen die größere Chance böte.
---
## Der lange Umbau ist die folgenreichste der drei Kräfte, und er scheitert vorerst nicht an der Maschine, sondern an der Organisation
Nachdem die laute erste Kraft sich als Kapitalmarktphänomen entpuppt und die zweite sich als messbarer, aber umstrittener Einstiegseinbruch erwiesen hat, bleibt die dritte, die mit dem Tempo der Schlagzeilen am wenigsten gemein hat und gerade deshalb am leichtesten übersehen wird. Sie ist die wirkliche Veränderung, die künstliche Intelligenz in den Unternehmen auslöst, und sie verläuft nicht über die spektakuläre Ablösung ganzer Belegschaften, sondern über die mühsame Umarbeitung von Abläufen, über die Frage, welche Aufgabe ein digitales Teammitglied verlässlich übernimmt und welche nicht, und über die noch schwierigere Frage, wie eine Organisation das Wissen aufbaut, das diese neue Arbeitsteilung überhaupt erst möglich macht. Diese Kraft ist die folgenreichste der drei, aber sie ist die langsamste, und ihre Langsamkeit ist kein Versäumnis, sondern ihr eigentliches Wesen.
Wie groß der Abstand zwischen dem Versprechen der Technologie und ihrer tatsächlichen Wirkung im Betrieb ausfällt, zeigt sich am deutlichsten an der Lücke zwischen Pilot und Produktivbetrieb. Eine vielbeachtete Untersuchung der NANDA-Initiative des MIT vom Juli 2025, die den treffenden Titel der großen KI-Kluft trägt, kam auf Basis von Interviews mit Spitzenmanagern, einer Befragung von Führungskräften und der Auswertung von über 300 öffentlich dokumentierten KI-Projekten zu dem Befund, dass 95 Prozent der untersuchten Organisationen aus ihren Vorhaben keinen messbaren Erfolg hatten und nur etwa 5 Prozent der bereits integrierten Piloten spürbar auf die Erlöse durchschlugen.[59] Die Zahl ist in ihrer Zuspitzung umstritten, und sie verdient dieselbe Vorsicht wie jede griffige Quote, doch ihre Richtung wird von unabhängiger Seite bestätigt. Die große Bestandsaufnahme von McKinsey vom November 2025, die knapp 2.000 Fach- und Führungskräfte befragte, kommt zu dem Ergebnis, dass erst rund ein Drittel der Unternehmen begonnen hat, künstliche Intelligenz über das Experiment hinaus in die Fläche zu bringen, während zwei Drittel diesen Schritt noch vor sich haben, und dass nur rund 6 Prozent der Befragten der Technologie zugleich mindestens 5 Prozent des Betriebsergebnisses und einen spürbaren Wertbeitrag zuschreiben, während noch nicht einmal vier von zehn überhaupt eine Wirkung auf das Ergebnis erkennen.[60] Zwei methodisch ganz verschiedene Zugänge kommen also zu demselben Bild, nämlich dass die Technologie breit erprobt, aber bisher kaum irgendwo wirklich produktiv geworden ist.
Neun Monate später liegt die Fortschreibung derselben Befragungsreihe vor, und ihr Befund ist für dieses Kapitel aufschlussreicher als jede einzelne Rekordzahl. Für die Ausgabe vom 25. August 2026 antworteten zwischen dem 4. Mai und dem 8. Juni gut siebzehnhundert Teilnehmende aus 97 Ländern, und die Verbreitung hat in diesem Jahr deutlich zugelegt. 44 Prozent berichten, dass ihr Unternehmen die Technologie unternehmensweit in die Fläche bringt, nach 38 Prozent im Vorjahr, und 56 statt 51 Prozent setzen sie in drei oder mehr Funktionen ein. Der Anteil, der ihr überhaupt eine Wirkung auf das Betriebsergebnis zuschreibt, liegt weiterhin bei 37 Prozent und damit praktisch unverändert, und die Gruppe mit mindestens 5 Prozent Ergebnisanteil und zugleich spürbarem Wertbeitrag verharrt bei rund 6 Prozent. Ein Jahr breiterer Einführung hat den Abstand zwischen Pilot und Produktivbetrieb also nicht verkleinert. Seine schärfste Fassung findet er in derselben Befragung im Unterschied zwischen der einzelnen Person und ihrem Unternehmen. 80 Prozent der Befragten berichten, die Technologie habe ihre eigene Produktivität verbessert, 50 Prozent, sie helfe ihnen zu besseren Entscheidungen, doch nur 37 Prozent finden davon etwas im Ergebnis ihres Unternehmens wieder. Was der Einzelne gewinnt, kommt in der Organisation nicht an. Wo es doch ankommt, steht ein Unterschied im Vordergrund, der zu allem passt, was dieses Kapitel bisher gezeigt hat. Unter den 6 Prozent mit messbarem Ergebnisbeitrag geben knapp drei Viertel an, ihre Arbeitsabläufe wegen der Technologie von Grund auf neu gebaut zu haben, im Vorjahr waren es 55 Prozent, unter allen übrigen Befragten sind es 25 Prozent.[3]
> „Unter den 6 Prozent mit messbarem Ergebnisbeitrag haben knapp drei Viertel ihre Arbeitsabläufe wegen der Technologie von Grund auf neu gebaut."
Woran sich die kleine Gruppe mit messbarem Ergebnisbeitrag von allen übrigen unterscheidet, prüft dieselbe Befragung an elf betrieblichen Praktiken, und die Rangfolge der Unterschiede ist aufschlussreicher als jede einzelne davon. Am weitesten auseinander liegen die beiden Gruppen beim Umbau der Arbeitsabläufe, dicht gefolgt vom Anspruch, das ganze Unternehmen umzugestalten statt nur Kosten zu senken, und von der Frage, ob die oberste Führung ihre Vorhaben sichtbar selbst verantwortet, was doppelt so viele der erfolgreichen Unternehmen berichten. Am dichtesten beieinander liegen sie ausgerechnet dort, wo man den Unterschied am ehesten vermuten würde, nämlich bei der Frage, ob das Unternehmen eine eigene Stelle mit dem Recht eingerichtet hat, die Einführung zu beschleunigen und Hindernisse aus dem Weg zu räumen. Solche Stellen gibt es in beiden Gruppen etwa gleich oft. Vollmachten zu erteilen genügt also nicht. Auch die Zielsetzung fällt anders aus als erwartet: Das Effizienzziel verfolgen die erfolgreichen Unternehmen nicht häufiger als die übrigen, sondern etwas seltener, 78 gegenüber 82 Prozent. Der Unterschied liegt darin, dass sie zusätzlich auf Wachstum und Innovation zielen, 74 gegenüber 47 und 65 gegenüber 49 Prozent.[3]
> „Die erfolgreichen Unternehmen verfolgen das Effizienzziel nicht häufiger als die übrigen, der Unterschied liegt darin, dass sie zusätzlich auf Wachstum und Innovation zielen."
**[Abbildung 4: Was der Einzelne gewinnt, kommt in der Organisation kaum an.]**
Was der Einzelne tatsächlich gewinnt, lässt sich inzwischen genauer beziffern als mit Selbstauskünften, denn für die Wirkung auf die einzelne Aufgabe liegen zwei randomisierte Experimente vor, die in der Fachliteratur als Referenz gelten. Shakked Noy und Whitney Zhang vom Massachusetts Institute of Technology ließen 2023 insgesamt 453 studierte Berufstätige berufsnahe Schreibaufgaben von 20 bis 30 Minuten bearbeiten, die Hälfte von ihnen mit Zugang zu ChatGPT. Die Bearbeitungszeit sank um 40 Prozent, die von verblindeten Beurteilern bewertete Qualität stieg um 18 Prozent, und die Ungleichheit zwischen den Teilnehmern nahm ab, weil die zuvor Schwächeren am meisten gewannen. Die begutachtete Fassung erschien in Science.[61] Im selben Jahr teilten Fabrizio Dell'Acqua und Karim Lakhani von der Harvard Business School, Ethan Mollick von der Wharton School und ihre Koautoren 758 Beraterinnen und Berater der Boston Consulting Group (bcg.com) zufällig in Gruppen mit und ohne Zugang zu GPT-4 ein; das waren rund 7 Prozent der Berater ohne Führungsverantwortung in diesem Unternehmen. Innerhalb der Leistungsgrenze der Maschine erledigten die Berater mit KI 12,2 Prozent mehr Aufgaben, waren 25,1 Prozent schneller und lieferten laut der 2026 in Organization Science erschienenen, begutachteten Fassung eine um rund ein Drittel bessere Qualität; drei der Autoren arbeiteten beim untersuchten Unternehmen, was die Studie selbst ausweist.[9] Das ist die beste verfügbare Evidenz für den Gewinn des Einzelnen, und sie zeigt eine Zeitersparnis von einem Viertel bis zwei Fünfteln bei abgegrenzten Einzelaufgaben von unter einer halben Stunde, gemessen mit den Modellen des Jahres 2023. Das ist weit entfernt von einer Verdoppelung der Wirksamkeit einer Person und noch weiter entfernt von einer Verdoppelung der Leistung eines Unternehmens. Wer von den 80 Prozent der McKinsey-Befragten liest, die eigene Produktivitätsgewinne melden, hat mit diesen beiden Versuchen den Maßstab dafür, was ein solcher Gewinn für den Einzelnen bedeutet: eine spürbare Ersparnis bei einer Teilaufgabe, die im Betriebsergebnis erst dann ankommt, wenn die Organisation die gewonnene Zeit in andere Arbeit verwandelt.
Seit dem Frühjahr 2026 lässt sich der Abstand zwischen Pilot und Produktivbetrieb zudem erstmals nicht nur erfragen, sondern an den tatsächlichen Nutzungsdaten selbst vermessen. Dieselbe Anthropic-Forschungsnotiz, die im Kapitel zur Karrierelücke den ausbleibenden Arbeitslosigkeitseffekt dokumentiert, prüft für jede Berufsaufgabe zweierlei, nämlich ob sie von Sprachmodellen theoretisch übernommen werden könnte und ob sie bei der beruflichen Nutzung der eigenen Plattform tatsächlich schon übernommen wird. Der Abstand zwischen beidem ist gewaltig. In der am stärksten exponierten Berufskategorie, den Computer- und Mathematikberufen, wären 94 Prozent der Aufgaben theoretisch machbar, tatsächlich übernommen werden 33 Prozent, und über die gesamte Beschäftigung hinweg lässt sich bei drei von zehn Beschäftigten überhaupt keine Nutzung ihrer Tätigkeiten messen. Aufschlussreich ist zudem, dass erst dieses Nutzungsmaß mit den unabhängigen Beschäftigungsprojektionen der amerikanischen Arbeitsstatistiker zusammenhängt, während die rein theoretische Machbarkeit allein keinerlei Zusammenhang zeigt. Nicht was die Technologie könnte, verändert also die Arbeit, sondern jener Teil davon, den Organisationen tatsächlich in Gebrauch nehmen. Damit bestätigt sich der Doppelbefund von MIT und McKinsey von ganz anderer Seite, aus Nutzungsdaten statt aus Befragungen, wobei auch diese Messung als Selbstbeobachtung eines einzelnen Anbieters zu lesen ist, dessen Kundenbasis keine Zufallsstichprobe der Wirtschaft bildet.[40]
Derselbe Anbieter liefert mit seinem laufenden Economic Index eine zweite Messung aus Nutzungsdaten, die dieselbe Lücke von einer anderen Seite fasst. Der Index vergleicht seit Anfang 2026 systematisch, wie Menschen im Chat und wie Organisationen über die Programmierschnittstelle dasselbe Modell nutzen, und stößt dabei auf zwei getrennte Welten. Unternehmen setzen das Modell zu drei Vierteln für reine Automatisierung ein, übergeben ihm die Aufgabe ohne Rückfragen, und im Schnitt ist der Vorgang nach 5 Minuten beendet, während die Menschen im Dialog iterieren, nachsteuern und lernen. Der Preis dieser Automatisierung ist messbar, denn bei der automatisierten Nutzung durch Unternehmen liegt die geschätzte Erfolgsquote bei 49 Prozent, im menschlichen Dialog bei 67, die Aufgabe gelingt also genau dort seltener, wo niemand mehr klärt und korrigiert. Gewichtet Anthropic seine eigene Produktivitätsprognose ehrlich mit diesen Erfolgsquoten, halbiert sich der daraus errechnete Beitrag zum amerikanischen Produktivitätswachstum von 1,8 auf rund einen Prozentpunkt im Jahr. Auch diese Messung ist Selbstbeobachtung eines Anbieters mit allen Vorbehalten des vorigen Absatzes, doch sie zeigt anhand der Nutzungsdaten, was die Befragungen von MIT und McKinsey aus den Unternehmen berichten. Die Lücke zwischen Pilot und Produktivbetrieb entsteht nicht, weil die Maschine zu wenig könnte, sondern weil die Organisation den Teil der Arbeit wegautomatisiert, an dem ihr Gelingen hängt, nämlich das Klären, Nachsteuern und Lernen im Umgang mit ihr.[62]
Seit dem 23. Juli 2026 beruht diese Diagnose nicht mehr allein auf den Nutzungsdaten eines einzigen Anbieters. Google und Google DeepMind haben mit dem AI & Economy ATLAS erstmals die Nutzung ihrer eigenen Dienste vermessen, fast 15 Millionen anonymisierte Interaktionen über die Gemini-App, den KI-Modus der Suche und die Programmierschnittstelle aus zwei Aprilwochen 2026, extern begleitet von Ökonomen wie David Autor und Diane Coyle. Das Ergebnis wiederholt das Muster mit anderen Zahlen: Gemini-Nutzung ist in 68 Prozent aller Berufe beobachtbar, die zusammen gut 88 Prozent der amerikanischen Beschäftigung stellen, doch im Median berührt sie nur 21 Prozent der Aufgaben eines Berufs, und nur in 3 Prozent der Berufe erreicht sie mehr als drei Viertel der Aufgaben. Auch die Richtung der Nutzung deckt sich, denn bei anspruchsvoller Kopfarbeit zielt weniger als jede zehnte Konversation darauf, eine Aufgabe vollständig an die Maschine zu übergeben, das Gros ist Vorarbeit, Überarbeitung, Ideenfindung und Nachschlagen. Die Technologie wird also breit erprobt, aber flach genutzt, und sie begleitet die Arbeit überwiegend, statt sie zu ersetzen: Was die Nutzungsdaten von Claude zeigten, zeigen die von Gemini genauso.[63]
Mit OpenAI (openai.com) hat Ende Juli 2026 auch der dritte große Modellanbieter eine laufende Vermessung der Nutzung seiner eigenen Dienste vorgelegt, und sie ergänzt das Bild um die Frage, wessen Arbeit die Menschen der Maschine eigentlich übergeben. Für die erste Ausgabe der Reihe Work at the Frontier hat OpenAI über 800.000 arbeitsbezogene Nachrichten amerikanischer ChatGPT-Nutzer den Tätigkeitskatalogen der amtlichen Berufsdatenbank O*NET zugeordnet. Gut 60 Prozent entfallen auf allgemeine Arbeiten wie E-Mails und Zusammenfassungen, doch von den fachlich zuordenbaren Anfragen betreffen 43,5 Prozent Aufgaben, die traditionell zu einem anderen Beruf gehören: Wer im Kundenservice, im Design oder im Personalwesen arbeitet, holt sich bei den fachlichen Anfragen überwiegend fremde Arbeit heran, rechnet Finanzdaten durch, behebt Softwareprobleme oder entwirft Werbematerial. Am ausgeprägtesten ist das Muster in den kleinsten Einheiten, denn bei typischen Nutzern liegt der fachfremde Anteil in Arbeitsbereichen mit zwei bis fünf Lizenzen um rund ein Achtel höher als in solchen mit über 100, dort greift zur Maschine, wer keinen Spezialisten zum Delegieren neben sich hat. OpenAI selbst zieht daraus einen bemerkenswert vorsichtigen Schluss: Die Technologie verändere nicht nur, wie Arbeit erledigt wird, sondern wer sie erledigt, während die Spezialisten für Urteil und Prüfung unverzichtbar bleiben. Auch diese Messung ist Selbstbeobachtung eines Anbieters auf der Ebene einzelner Nachrichten, ohne Auskunft über Qualität und Verwendung der Ergebnisse und, anders als bei Anthropic und Google, ohne offengelegten Auswertungszeitraum. Doch in die Reihe der Nutzungsdaten fügt sie die fehlende Dimension ein: Während die Nutzung je Beruf flach bleibt, wandern die Aufgaben bereits quer durch die Organisation. Die Berufsgrenzen verschieben sich schneller, als die Arbeit an die Maschine übergeht, und auch diese Verschiebung ist keine Leistung der Technologie allein, sondern eine Frage dessen, wie eine Organisation Prüfung, Verantwortung und Zusammenarbeit um die neuen Möglichkeiten herum ordnet.[10]
Dieselbe Lücke zwischen technischer Machbarkeit und tatsächlicher Nutzung lässt sich auch unabhängig von den Anbietern selbst belegen, und zwar amtlich für Deutschland. Das Substituierbarkeitspotenzial des Instituts für Arbeitsmarkt- und Berufsforschung misst seit 2013 tätigkeitsscharf, welcher Anteil der Kerntätigkeiten eines Berufs technisch bereits durch Computer oder computergesteuerte Maschinen erledigt werden könnte, ausdrücklich als Potenzial und nicht als vollzogene Ersetzung. 2022 arbeiteten 38 Prozent der sozialversicherungspflichtig Beschäftigten in einem Beruf mit hohem Substituierbarkeitspotenzial, gegenüber 34 Prozent 2019, doch wie weit dieses Potenzial tatsächlich genutzt wird, bleibt eine andere Frage, genau jene Unterscheidung, auf der auch die Anthropic-Zahlen und die Pilot-Produktiv-Lücke dieses Kapitels beruhen. Wie beweglich dieser Maßstab ist, zeigt ein Fall aus der Messung selbst. Der Ausbildungsberuf Steuerfachangestellte galt dem Institut seit 2016 als zu 100 Prozent automatisierbar, weil sich zu jeder seiner typischen Tätigkeiten eine Technik fand, die sie vollständig hätte übernehmen können. Mit der neuen Ausbildungsordnung, die 2023 in Kraft trat, sank derselbe Wert auf 50 Prozent, weil der Beruf neu beschrieben worden war, mit mehr Betreuung, Beratung und strategischen Aufgaben und weniger reiner Buchführung. Nicht die Technik war zurückgefallen, der Beruf hatte sich verschoben, und die Messung zog nach. Berufe verschwinden selten ganz, sie werden umgeschrieben, und wer die Automatisierbarkeit eines Berufs als Zahl liest, misst immer auch, wie alt seine Beschreibung ist.[64]
Entscheidend ist, woran das liegt, denn an dieser Stelle verschiebt sich die Diagnose weg von der Maschine. Die MIT-Untersuchung führt das Scheitern ausdrücklich nicht auf die Qualität der Modelle zurück, sondern auf eine Lernlücke der Organisationen, also auf die Schwierigkeit, die Technologie sauber in bestehende Abläufe einzupassen und das dafür nötige Wissen im eigenen Betrieb aufzubauen.[59] Das ist der eigentliche Engpass der dritten Kraft. Die Modelle sind schneller bereit als die Organisationen, die sie aufnehmen sollen, und der Flaschenhals liegt nicht im Rechenzentrum, sondern in der Fähigkeit eines Unternehmens, zu lernen, wie aus einem fähigen Werkzeug ein produktiver digitaler Kollege wird.
> „Der Flaschenhals liegt nicht im Rechenzentrum, sondern in der Fähigkeit eines Unternehmens, zu lernen, wie aus einem fähigen Werkzeug ein produktiver digitaler Kollege wird."
Für die Unterscheidung zwischen einer Technologie, die vorhandene Arbeit unterstützt, und einer Technologie, die Arbeit von Grund auf neu organisiert, liefert eine Untersuchung von Hyunjin Kim und Rembrand Koning über amerikanische KI-Start-ups ein schärferes Begriffspaar, auch wenn sie an ganz anderen Firmen ansetzt als die etablierten Konzerne dieses Kapitels. Sie trennt einen Prozesskanal, bei dem KI-Werkzeuge wie ein Sprachmodell oder ein Programmierassistent die Arbeit bestehender Beschäftigter unterstützen, von einem Produktkanal, bei dem KI-Fähigkeiten direkt in das verkaufte Produkt eingebaut werden, sodass die Wissensarbeit ins Produkt selbst wandert statt in ein internes Team. In ihrer Stichprobe sagt allein der Produktkanal die Größe und die Hierarchietiefe einer Firma voraus, während die bloße Nutzung von KI-Werkzeugen im eigenen Betrieb, so verbreitet sie auch ist, weder das eine noch das andere signifikant beeinflusst.[51] Übertragen auf die hier verhandelte dritte Kraft heißt das, dass der eigentliche Ansatzpunkt nicht darin liegt, Beschäftigte mit einem weiteren Werkzeug auszustatten, sondern darin, Abläufe und Produkte von Grund auf um die Fähigkeiten der Technologie herum neu zu bauen, exakt jene Lernleistung, an der die MIT-Untersuchung die Organisationen bislang scheitern sieht.[59]
Dass dieser Befund keine amerikanische Eigenheit ist, sondern die deutsche Wirtschaft in ihrer ganzen Breite beschreibt, belegt eine Untersuchung der IW Consult im Auftrag des eco-Verbands der Internetwirtschaft vom Juli 2026, für die 500 nach Größe gewichtete Unternehmen befragt wurden. Sie ermittelt, dass inzwischen rund 40 Prozent der deutschen Wirtschaft künstliche Intelligenz einsetzen, ein Anstieg um 118 Prozent seit 2024, der bis in die kleinen Betriebe mit weniger als 50 Beschäftigten reicht, und sie fasst die deutsche Herangehensweise in der treffenden Formel der Veredelung statt der Neuerfindung. Statt Milliarden in die Entwicklung eigener Basismodelle zu stecken, nehmen die Unternehmen global verfügbare Modelle und passen sie mit ihren eigenen Industriedaten an ihre spezialisierten Prozesse an, also genau jene Anpassungsarbeit, die das Wissen im eigenen Betrieb hält, statt es an ein fremdes Produkt abzugeben. Aufschlussreicher als die Boom-Zahl selbst ist allerdings, wie schmal die Spitze dieser Bewegung bleibt, denn nur etwa jedes fünfte Unternehmen setzt die Technologie bereits aktiv für Innovationen ein, und unter den Nutzern greifen 46 Prozent ausschließlich zu fertigen Standardlösungen, während lediglich 10 Prozent die Modelle wirklich gezielt weiterentwickeln und weitere 44 Prozent beide Wege verbinden. Die Breite der Nutzung und die Tiefe ihrer produktiven Verankerung fallen also auch in den heimischen Zahlen deutlich auseinander, was die Pilot-Produktiv-Lücke ein weiteres Mal bestätigt, diesmal in der Statistik der deutschen Wirtschaft selbst. Dass die Befragung von einem Branchenverband in Auftrag gegeben wurde, der daraus ausdrücklich den Ruf nach weniger Regulierung ableitet, gehört zur Einordnung dazu, ändert an der Grundrichtung aber wenig, weil sie sich mit der Beobachtung des MIT, von McKinsey und der Bundesbank deckt.[65]
Wie unabhängig diese organisatorische Entscheidung von der bloßen Einschätzung der Technologie ist, zeigt eine neuere Untersuchung von Innessa Colaiacovo und Rembrand Koning, demselben Koautor der eben zitierten Studie, unter knapp 200 Gründerinnen und Gründern nordamerikanischer Technologie-Start-ups, einer der am stärksten mit künstlicher Intelligenz vertrauten Gruppen überhaupt, denn neun von zehn nutzen sie persönlich. Per Zufallsexperiment setzten die Autoren die Gründer optimistischen oder pessimistischen Informationen über die Leistungsfähigkeit der Technologie im Kundenservice aus und zeigten, dass sich die Einschätzung der Technologie zwar messbar verschieben lässt, die Bereitschaft, ihr tatsächlich Arbeit zu übertragen, davon aber selbst danach nur zu gut einem Drittel erklärt wird. Gründer, die künstliche Intelligenz formal in ihre Arbeitsabläufe integrieren, unterscheiden sich von jenen, die sie ihrer Belegschaft nur beiläufig überlassen, kaum in ihrer Einschätzung der Technologie selbst, wohl aber deutlich in ihrem tatsächlichen Delegationsverhalten und in der Personalwirkung, die sie der Technologie zuschreiben: Ohne sie bräuchten die einen nach eigener Schätzung 91 Prozent mehr Personal, die anderen 24 Prozent. Selbst in dieser besonders technologieaffinen Stichprobe gibt zudem knapp ein Drittel der Gründer an, überhaupt keine Personaleinsparung realisiert zu haben, was die Pilot-Produktiv-Lücke von der Seite der Anwender selbst bestätigt und zugleich schärft, denn der Engpass liegt danach weder im Zugang zur Technologie noch im Glauben an sie, sondern in der eigenständigen, mühsamen Entscheidung, Arbeit tatsächlich neu aufzuteilen, wie es die Autoren selbst zusammenfassen, wenn sie schreiben, die Wirkung künstlicher Intelligenz auf Arbeit und Organisationen hänge nicht allein davon ab, was die Technologie könne, sondern auch davon, was Führungskräfte mit ihr zu tun bereit seien.[7]
Dass diese Diagnose keine Eigenheit der Unternehmensberatung ist, sondern bis in die Notenbanken reicht, zeigt die Grundsatzrede „Already Here, Not Yet Everywhere", die der deutsche Bundesbankpräsident Joachim Nagel am 21. April 2026 beim International Economic Symposium in Rom hielt und die den ganzen Vorgang mit einem Wort des Schriftstellers William Gibson fasst, wonach die Zukunft bereits da sei, nur eben sehr ungleich verteilt. Übertragen auf die künstliche Intelligenz heißt das, dass ihre Fähigkeiten in vielen Anwendungen längst sichtbar sind, ihre gesamtwirtschaftliche Wirkung aber in den aggregierten Statistiken noch kaum erscheint, und Nagel greift für diese Verzögerung zur selben historischen Parallele, die den Kern der dritten Kraft trifft. Als die Elektrizität sich in den Volkswirtschaften ausbreitete, blieben die Produktivitätsgewinne zunächst gering, weil die Betriebe zwar die Elektromotoren einbauten, ihre Produktion aber nicht sogleich umorganisierten, und genau diese Umorganisation, nicht die Verfügbarkeit der Maschine, entschied am Ende über den Erfolg.[66] Das berühmteste Beispiel dieser Umorganisation ist Henry Fords Fließband von 1913. Das Werk in Highland Park war von Grund auf um die überall verfügbare elektrische Kraft herum entworfen, denn erst sie erlaubte es, die Maschinen in der Reihenfolge der Arbeitsschritte anzuordnen und das laufende Band selbst anzutreiben, während eine klassische Dampffabrik ihre Maschinen um die zentrale Transmissionswelle und deren Riemen gruppieren musste. Wirtschaftshistoriker wie Warren Devine und David Nye halten fest, dass die Massenfertigung des Model T ohne Elektrizität nicht praktikabel gewesen wäre.[67] Die Serienfertigung des Automobils war also keine Folge der neuen Maschine allein, sondern der neu geordneten Arbeit um sie herum. Es ist dieselbe Lernlücke, die das MIT auf der Projektebene beobachtet, nun aus der Höhe der Geldpolitik betrachtet.[59]
> „Nicht die Verfügbarkeit der KI entscheidet über den Erfolg, sondern die Umorganisation der Arbeit um sie herum."
Für den deutschsprachigen Raum liefert dieselbe Rede Nagels die konkrete Bestätigung, denn sie stützt sich auf die eigene Unternehmensbefragung der Bundesbank. Danach erwarten zwar die meisten deutschen Firmen Produktivitätsgewinne aus generativer künstlicher Intelligenz, doch die Intensität der tatsächlichen Nutzung steigt weiter nur in mäßigem Tempo, was darauf hindeutet, dass viele Unternehmen noch experimentieren, statt die Technologie in den laufenden Betrieb zu überführen. Die begleitenden Daten des Bundesbank-Monatsberichts vom März 2026 beziffern das Bild, denn während der Anteil der deutschen Firmen, die generative KI-Werkzeuge einsetzen, im europäischen Vergleich hoch liegt, wächst der Anteil der Arbeitszeit, in dem sie wirklich zum Einsatz kommen, nur langsam von Jahr zu Jahr. Damit erscheint die Pilot-Produktiv-Lücke nicht mehr allein in amerikanischen und globalen Befragungen, sondern auch in den Zahlen der deutschen Wirtschaft selbst, und die dritte Kraft verliert den Anschein eines fernen Phänomens, das nur die Titelseiten des Silicon Valley betrifft.[66]
> „Während der Anteil der deutschen Firmen, die generative KI-Werkzeuge einsetzen, im europäischen Vergleich hoch liegt, wächst der Anteil der Arbeitszeit, in dem sie wirklich zum Einsatz kommen, nur langsam von Jahr zu Jahr."
Wie konkret sich diese Lücke in einer einzelnen, besonders regulierten Branche zeigt, belegt eine Untersuchung von Wavestone (wavestone.com) und dem Institut für Wirtschaftsinformatik der Universität St. Gallen, die zwischen Oktober 2025 und Mai 2026 insgesamt 30 Fach- und IT-Verantwortliche aus Banken, Versicherungen und Technologieanbietern im deutschsprachigen Raum befragte. Der Befund ist der bislang schärfste dieses Kapitels, und er hat sogar ein Gesicht. Der am weitesten fortgeschrittene Interviewpartner leitet das zentrale KI-Labor eines großen Versicherers, betreibt dort bereits 75 produktive Anwendungsfälle in klassischem maschinellem Lernen und generativer KI, darunter eine Anwendung, die rund eine halbe Million Rechtsurteile durchsucht, und hat trotzdem noch keinen einzigen agentischen Anwendungsfall in Produktion gebracht. Er selbst bewertet sein Institut auf einer Reifeskala von zehn nur mit einer Drei, und darin zeigt sich der Abstand zwischen einem Institut, das KI betreibt, und einem, das sich von ihr verändern lässt. Die Studie fasst das Ergebnis selbst in einem Satz zusammen, der die Leitthese dieses Reports aus einer ganz anderen Branche bestätigt: Nicht die Fähigkeit der Modelle, sondern die Reife des Betriebsmodells entscheidet darüber, wie weit ein Unternehmen agentische KI tatsächlich skalieren kann. Die Regulierung verschärft das zusätzlich, wie der KI-Verantwortliche einer deutschen Bank offenlegt: „Wir verarbeiten hier personenbezogene und höchst sensible Daten. Technisch ist das nicht das Problem, aber der regulatorische Aufwand, der AI Act, die DSGVO, DORA, das sind die größten Einschränkungen." Als organisatorische Antwort setzt sich bei den meisten befragten Instituten ein zentral-dezentrales Modell durch, eine schlanke zentrale KI-Einheit für Governance und gemeinsam genutzte Fähigkeiten, gekoppelt an fachbereichsspezifische Anwendungsfälle in den einzelnen Sparten. Zur Einordnung gehört, dass Wavestone als Beratungsgesellschaft an genau jener Transformation mitverdient, die sie hier untersucht, während die akademische Beteiligung der Universität St. Gallen der Studie ihre Unabhängigkeit von einzelnen Anbietern sichert.[68]
> „Der Versicherer betreibt 75 produktive Anwendungsfälle, darunter eine Anwendung, die eine halbe Million Rechtsurteile durchsucht, und hat trotzdem keinen einzigen agentischen Anwendungsfall in Produktion."
Dieselbe Lücke zwischen Erprobung und Betrieb zeigt sich in der Breite der kleinen und mittleren Unternehmen, für die es im deutschsprachigen Raum nur wenige Messreihen gibt. Die Schweizer KMU-Arbeitsmarktstudie von AXA und Sotomo fragt seit 2024 nicht nur, ob Unternehmen mit fünf bis 250 Beschäftigten künstliche Intelligenz einsetzen, sondern wie. Im März 2026 integrierten 35 Prozent die Technologie bewusst in ihre Prozesse, 13 Prozent in allen Unternehmensbereichen, 39 Prozent erprobten sie in einzelnen Projekten oder auf eigene Initiative der Beschäftigten, 26 Prozent nutzten sie nicht. Erproben und Nutzen zusammen sind von 55 Prozent im Jahr 2024 auf 71 Prozent im Jahr 2025 gesprungen und liegen 2026 bei 74; der Sprung ist vorbei, das Plateau ist erreicht. Aufschlussreicher ist die Reihe der Einsatzfelder. In fünf von acht Feldern liegt der Wert 2026 unter dem von 2025: Übersetzungen fallen von 52 auf 47 Prozent, Korrespondenz von 47 auf 42, personalisierte Werbung von 24 auf 16, während die Optimierung von Arbeitsschritten bei 35 Prozent hält und Datenanalysen von 32 auf 34 Prozent weiter wachsen. Die Textaufgaben, mit denen der erste Einsatz begann, haben 2025 ihre Spitze erreicht; was bleibt, sind die Anwendungen in den Abläufen. Die Studie selbst vergleicht nur 2024 mit 2026 und nennt das Stagnation, und so verschwindet die Spitze von 2025 aus ihrer eigenen Darstellung. Die Größenachse verläuft dabei stufenlos bis hinunter zum Kleinbetrieb: Handlungsbedarf beim eigenen Geschäftsmodell sehen 23 Prozent der Unternehmen mit fünf bis neun Beschäftigten, 38 Prozent der mittleren und 42 Prozent der Betriebe ab 50 Beschäftigten, und als Chance werten die Technologie 33 Prozent der kleinen gegen 49 Prozent der mittleren. Je Größenklasse stehen dahinter nur rund 100 Befragte, und Kleinstbetriebe unter fünf Beschäftigten fehlen ganz.[135]
> „Bei personenbezogenen Daten ist nicht die Technik das Problem, sondern der regulatorische Aufwand aus AI Act, DSGVO und DORA, sagt der KI-Verantwortliche einer deutschen Bank."
Dass sich diese Lücke schließen lässt und was es eine Organisation tatsächlich kostet, sie zu schließen, dokumentiert seit Juli 2026 ausgerechnet eine Behörde. Das amerikanische Außenministerium hat mit seinem Generative AI Playbook den vollständigen Weg seines internen Assistenten StateChat offengelegt, von der ersten Datenstrategie bis zum Betrieb mit über 62.000 Nutzern an 98 Prozent der diplomatischen Vertretungen weltweit, bei einer Belegschaft von rund 80.000 Menschen. Bemerkenswert an diesem Dokument ist weniger der Erfolg als die Buchhaltung des Aufwands dahinter. Vom Aufbau des eigenen Analytikzentrums 2019 über die Datenstrategie 2021 bis zur Vorbereitung agentischer Systeme im Frühjahr 2026 vergingen sieben Jahre, die Sicherheitsfreigabe für sensible Daten allein kostete ein weiteres Jahr Verfahrensarbeit, und das Ministerium beschreibt gerade sie nicht als Bremse, sondern als Voraussetzung des Nutzens, weil das Werkzeug ohne Zugang zu den echten Arbeitsdaten wertlos geblieben wäre, eine bemerkenswerte Gegenposition zu der Klage über den regulatorischen Aufwand, die der vorige Absatz aus einer deutschen Bank zitiert. Der Technik widmet das Playbook nur einen Bruchteil seiner Seiten, der Rest gilt der Einführung im Alltag, 94 offene Sprechstunden mit rund 17.000 Teilnehmern, über 430 Schulungen mit mehr als 48.000 Geschulten nach dem Multiplikatorenprinzip, und als wirksamstes einzelnes Mittel die ausdrückliche Erlaubnis von oben, denn die häufigste Hemmung der Beschäftigten war die Unsicherheit, ob sie das Werkzeug für ihre Arbeit überhaupt benutzen dürfen. Nachdem die Leitung eines Regionalbüros ihre Leute persönlich einlud, stieg die Zahl der wöchentlich aktiven Nutzer dort um 367 Prozent.[69]
Die Erfolge, die das Ministerium nach einem Jahr Betrieb misst, sind bescheiden und gerade deshalb glaubwürdig. Neun von zehn regelmäßigen Nutzern berichten Zeitgewinne, im Schnitt 1,6 Stunden pro Woche und Aufgabe, am häufigsten beim Entwerfen von E-Mails und Mitteilungen, und unter jenen, die keine Zeit gewinnen, nennt die interne Befragung als einen Hauptgrund, dass das Prüfen der maschinellen Ergebnisse länger dauert als die eigene Erledigung gedauert hätte, jene Aufsichtsarbeit also, auf die dieses Kapitel noch zurückkommt, hier erstmals aus dem Innern einer Organisation mit 80.000 Beschäftigten dokumentiert. Zu lesen ist all das als Selbstdarstellung einer Behörde, die sich an die Spitze der amerikanischen Verwaltung schreiben will, gestützt auf eine freiwillige Befragung ohne unabhängige Produktivitätsmessung, und was aus den freigewordenen Stunden strukturell wird, lässt das Dokument offen. Doch als öffentlich einsehbares Protokoll dessen, was der lange Umbau eine einzelne Organisation wirklich kostet, ist es bislang ohne Gegenstück, und sein Befund deckt sich mit sämtlichen Messungen dieses Kapitels, denn der Engpass war zu keinem Zeitpunkt das Modell, sondern die Organisation, die um das Modell herum erst aufgebaut werden musste.[69]
Eine globale Befragung des Softwareanbieters Notion (notion.com), die im Frühjahr 2026 über 6.000 Entscheider und Anwender in 16 Märkten erfasste, bestätigt dieselbe Diagnose ein weiteres Mal, diesmal nicht an der Gewinn- und Verlustrechnung, sondern an der Reife der Organisationen. 88 Prozent der Organisationen setzen die Technologie noch dort ein, wo sie als individuelles Werkzeug für Entwürfe, Zusammenfassungen und erste Ideen dient, und nur 12 Prozent haben sie bereits in wiederkehrende Arbeitsabläufe eingebaut oder lassen sie autonom laufen. Aufschlussreicher als diese Verteilung ist, was sich mit wachsender Reife verändert. Der Anteil der Entscheider, die einräumen, ihre Organisation investiere schneller in die Technologie, als die eigene Belegschaft mit ihr Schritt halten kann, wächst mit zunehmender Reife von knapp der Hälfte auf über zwei Drittel. Die Lernlücke schließt sich also nicht, je weiter eine Organisation vorankommt, sie öffnet sich weiter, und damit bestätigt sich von dritter, unabhängiger Seite, dass der eigentliche Engpass nicht in der Verfügbarkeit der Technologie liegt, sondern im Tempo, mit dem eine Organisation das nötige Wissen aufbaut, um sie zu nutzen. Zur Einordnung gehört, dass Notion selbst KI-gestützte Arbeitssoftware verkauft und ein eigenes Interesse daran hat, tiefere Systemintegration als den entscheidenden Reifesprung darzustellen, doch die Richtung des Befunds deckt sich unabhängig mit der MIT- und der McKinsey-Zahl sowie mit der Bundesbank-Beobachtung.[70]
> „Die Entscheider bestätigen die Lücke nicht in der Gewinn- und Verlustrechnung, sondern in der Reife ihrer eigenen Organisation."
> „88 Prozent der Organisationen nutzen die Technologie nur als Werkzeug für Entwürfe, Zusammenfassungen und erste Ideen, nur 12 Prozent haben sie in wiederkehrende Arbeitsabläufe eingebaut."
**[Abbildung 5: Je reifer die Organisation, desto öfter hinkt das Lernen hinterher.]**
Wie diese Lücke inzwischen in den Chefetagen selbst ankommt, zeigt die dritte jährliche AI-at-Work-Befragung des Personaldienstleisters G-P (globalization-partners.com), für die das Feldinstitut Wakefield Research (wakefieldresearch.com) im März 2026 insgesamt 2.850 Führungskräfte ab Vizepräsidentenebene in sechs Märkten befragte, darunter Deutschland. Ausnahmslos alle Befragten nutzen die Technologie inzwischen, doch 73 Prozent räumen ein, dass der Erfolg ihrer KI-Ausgaben hinter den Erwartungen zurückgeblieben ist, der Anteil derer, die das eigene Vorgehen als offensive Innovationsstrategie beschreiben, fiel binnen eines Jahres von 60 auf 42 Prozent, und knapp 70 Prozent kündigen an, die KI-Budgets zu kürzen, sollten die Unternehmensziele 2026 verfehlt werden, in Deutschland mit 58 Prozent der zurückhaltendste, aber immer noch mehrheitliche Wert. Neu an diesem Jahrgang ist also weniger die Diagnose, die sich mit allen bisher versammelten Befunden deckt, als die Frist, die er ihr setzt, denn die Geduld, die der lange Umbau seiner Natur nach verlangt, wird dort, wo die Budgets bewilligt werden, gerade auf ein einziges Jahr begrenzt, und damit gerät die langsamste der drei Kräfte unter einen Takt, der ihrem Wesen widerspricht. Dass es sich um Selbstauskünfte aus einer Anbieterbefragung handelt, gehört zur Einordnung, denn G-P verkauft als Dienstleister, der Beschäftigte im Auftrag anderer Unternehmen formell anstellt, grenzüberschreitende Anstellung samt eigenem KI-Agenten und bewirbt beides im selben Report, doch gerade weil dieses Geschäft vom Glauben an die Technologie lebt, wiegt die dokumentierte Ernüchterung eher schwerer als leichter. Für die Frage dieses Kapitels heißt das, dass die Pilot-Produktiv-Lücke in der Gewinn- und Verlustrechnung angekommen ist und dort nicht mehr als Reifungsphänomen gelesen wird, das Zeit bekommt, sondern als Rechnung, die sich binnen eines Geschäftsjahres zu begleichen hat.[71]
> „Knapp 70 Prozent der Führungskräfte kündigen an, die KI-Budgets zu kürzen, sollten die Unternehmensziele 2026 verfehlt werden."
> „Die Pilot-Produktiv-Lücke ist in der Gewinn- und Verlustrechnung angekommen, und dort wird sie nicht mehr als Reifungsphase gelesen, sondern als Rechnung, die binnen eines Geschäftsjahres zu begleichen ist."
Wie sich diese Ungeduld mit der tatsächlichen Bewegung der Unternehmen verträgt, zeigt die bislang aktuellste Großmessung, die zweite Ausgabe des vierteljährlichen Global AI Pulse der Beratungsgesellschaft KPMG (kpmg.com), die zwischen Ende April und Ende Mai 2026 insgesamt 2.145 Führungskräfte in 20 Ländern befragte. Der Anteil der Unternehmen, die die Technologie breit im eigenen Betrieb verankern, hat sich binnen eines einzigen Quartals von 13 auf 22 Prozent fast verdoppelt, die größte Bewegung, die die Befragung bislang irgendwo auf ihrer Reifekurve gemessen hat, und zugleich sank der Anteil derer, die einen etablierten, nachweisbaren Erfolg vorweisen können, leicht von 8 auf 7 Prozent. Die Lücke zwischen Pilot und Produktivbetrieb öffnet sich also gerade in dem Moment weiter, in dem drei Viertel der Befragten überzeugt sind, die Technologie liefere ihrem Unternehmen bereits messbaren Wert, und 79 Prozent erklären, sie würden an der Priorität selbst in einer Rezession festhalten. Die Antwort der Unternehmen auf diese Spannung ist dabei kein Rückzug, sondern Bewirtschaftung, denn die geplanten Budgets bleiben stabil, während fast die Hälfte der Befragten den Ausbau ihrer KI-Akteure bereits neu getaktet hat, sobald die Kosten den erwarteten Nutzen zu übersteigen begannen. Aufschlussreicher als die Lücke selbst ist, was die Unternehmen mit nachgewiesenem Erfolg von den übrigen unterscheidet, denn es ist nicht die Höhe der Ausgaben, sondern die Ordnung dahinter. Wo die Verantwortung für die Ergebnisse der Technologie klar genannt ist, wird ein etablierter Erfolg mehr als dreimal so oft berichtet, 14 gegenüber 4 Prozent, und wo eine Organisation ihre KI-Betriebskosten vollständig überblickt, fünfmal so oft, 15 gegenüber 3 Prozent, während drei Viertel zwar angeben, ihr CEO treibe das Thema als strategische Priorität voran, aber nur ein Viertel die Letztverantwortung tatsächlich an der Spitze verortet. Dass diese Zahlen von einer Beratungsgesellschaft stammen, die mit dem Schließen eben dieser Lücke ihr Geld verdient, gehört zur Einordnung, doch der Befund fügt der Diagnose dieses Kapitels etwas hinzu, das die bisherigen Momentaufnahmen nicht leisten konnten, nämlich den Nachweis in der Zeitreihe, dass die Lücke keine Frage der Technologie oder des Geldes ist, sondern der Organisation, die Verantwortung und Kostenüberblick erst noch in ihre Strukturen einziehen muss.[72]
> „Die Lücke zwischen Pilot und Produktivbetrieb öffnet sich weiter in dem Moment, in dem drei Viertel der Befragten überzeugt sind, die Technologie liefere bereits messbaren Wert."
Wie diese Ordnung im Betrieb aussieht, hat im Sommer 2026 ein Konzern öffentlich vorgeführt, der drei Monate zuvor noch das Gegenbeispiel war. Der Fahrdienstvermittler Uber (uber.com) hatte sein gesamtes KI-Budget für das Jahr 2026 bereits nach vier Monaten aufgebraucht, und Präsident und Betriebschef Andrew Macdonald räumte im Mai ein, die Verbindung zwischen diesen Ausgaben und den fertig ausgelieferten Funktionen sei bislang nicht herstellbar.[73] Im Quartalsbericht vom 5. August 2026 berichtete Finanzvorstand Balaji Krishnamurthy dann, die Kosten je Token seien über die vergangenen Monate gefallen, während die Nutzung weiter zugenommen habe, sodass die Gesamtausgaben für künstliche Intelligenz weitgehend stabil blieben.[74] Technologievorstand Praveen Neppalli Naga legte am selben Tag offen, womit das gelungen sei, und nichts davon betrifft die Maschine, denn es sind eine höhere Trefferquote im Zwischenspeicher wiederkehrender Anfragen, veränderte Voreinstellungen für Modellwahl und Kontextlänge, die Umleitung einfacherer Aufgaben auf günstigere und offene Modelle und, am aufschlussreichsten, eine Anzeige, die jeder Entwicklerin und jedem Entwickler die eigenen KI-Kosten je Stunde in Echtzeit vor Augen führt. Effizienz, so seine Begründung, sei als technische Aufgabe behandelt worden und nicht als Budgetfrage.[75] Was hier innerhalb eines einzigen Jahres im selben Unternehmen kippte, war damit nicht die Technologie und nicht die Höhe des Budgets, sondern der Kostenüberblick, und die digitale Belegschaft bekommt an dieser Stelle zum ersten Mal sichtbar das, was jede menschliche längst hat, einen Stundensatz.
Was dieser Fall nicht liefert, gehört zur Einordnung, und es ist genau die Größe, um die es Macdonald im Mai ging. Gefallen ist der Preis je Einheit, und er ist im selben Zeitraum auch am Markt gefallen, weil die Anbieter ihre Listenpreise senkten und offene Modelle nachrückten, sodass sich von außen nicht trennen lässt, welcher Teil des Rückgangs auf die eigene Entwicklungsarbeit und welcher auf den Markt zurückgeht; Beträge nennt das Unternehmen nicht. Beantwortet ist damit die Frage nach den Kosten, nicht die Frage nach dem Erfolg. Bezeichnend ist, welche Kennzahl der Finanzvorstand für den Nutzen anführt, nämlich eine Verdoppelung des Codeausstoßes je Entwickler, also genau jene Größe, die dieser Report im Kapitel zum technologischen Unterbau als Beleg für Ausstoß und nicht für Wert verwirft.[76] Von den drei Aufgaben, die zur Kostenrechnung einer digitalen Belegschaft gehören, die Kosten zu messen, den Nutzen zuzuordnen und den Ergebnisbeitrag nachzuweisen, ist damit die erste gelöst und sind die beiden anderen offen. Das ist kein kleiner Schritt, denn ohne die erste sind die anderen beiden nicht zu haben, doch es ist nicht der Nutzennachweis, für den er derzeit gehalten wird.
Wie weit der Abstand zwischen technischer Reife und betrieblicher Wirkung reicht, lässt sich am genauesten dort prüfen, wo die Ablösung am frühesten und am lautesten angekündigt wurde. Geoffrey Hinton empfahl 2016, die Ausbildung von Radiologen einzustellen, weil binnen fünf Jahren offenkundig sein werde, dass das maschinelle Lernen die Befundung von Bildern besser beherrscht als der Mensch. Zehn Jahre später führt die amtliche französische Gesundheitsstatistik darüber Buch, was daraus geworden ist. Die Zahl der Radiologen und Nuklearmediziner in Frankreich stieg zwischen 2014 und 2024 von 9.100 auf 10.200 und damit um 13 Prozent, jene der medizinisch-technischen Radiologieassistenten von 29.000 auf 32.000, und für deren Rekrutierung hält dieselbe Statistik für 2024 ausdrücklich Engpässe fest. Die Zahl der ambulanten Bildgebungszentren wuchs im selben Zeitraum von 860 auf 1.070, die Ausgaben für ihre Leistungen stiegen 2024 um 7 Prozent auf 5,5 Milliarden Euro, getragen von einem Mengenwachstum von 8 Prozent bei sinkenden Preisen. Als Ursache dieser Nachfrage nennt die Behörde nicht die Technologie, sondern die Alterung der Bevölkerung, und die künstliche Intelligenz erscheint in derselben Darstellung ausschließlich als Erwartung für die kommenden Jahre, als eines jener medizinischen Felder, in denen sie sich entfalten und Produktivitätsgewinne bringen könnte. In der Disziplin also, deren Daten der Maschine am weitesten entgegenkommen, ist die Ablösung ein Jahrzehnt nach ihrer Ankündigung nicht eingetreten, und die amtliche Statistik führt sie weiterhin in der Möglichkeitsform. [77]
Dort, wo die Technologie tatsächlich im Betrieb ankommt, entlastet sie bislang eher, als dass sie ersetzt. Eine Vorher-Nachher-Studie der Berliner Charité in der deutschen Langzeitpflege zeigt, dass ein KI-Sprachassistent die Dokumentationszeit je Frühdienst um 15 Minuten oder rund 28 Prozent senkt. Die Technologie setzt also genau dort an, wo die Last am größten ist, ohne eine einzige Pflegekraft überflüssig zu machen; allerdings hat die Studie keine Kontrollgruppe, und ihre Erstautorin arbeitet beim Hersteller des untersuchten Produkts.[78] Zugleich ist die Nutzung höchst ungleich verteilt. In den Nutzungsdaten von Anthropic entfällt auf rund ein Drittel der Beschäftigten noch gar keine messbare Nutzung,[40] und selbst dort, wo Googles Auswertung der Gemini-Nutzung die Technologie bis in die Werkstatt hinein beobachtet, etwa bei Mechanikern, die Prüfergebnisse deuten und Bilder von Fehlern hochladen, erfasst sie nur einen schmalen Ausschnitt des Berufs.[63] Die dritte Kraft wirkt also bisher schmal, eher verstärkend als ersetzend und sehr ungleichmäßig, und das ist beinahe das Gegenteil der flächigen Verdrängung, die die Schlagzeile behauptet.
### Die Entlastung bei der einzelnen Aufgabe hat eine Kehrseite im Arbeitstag, und dort bezahlen die Belegschaften die Lernlücke ihrer Organisationen
Wie zerstückelt der Arbeitstag inzwischen ist, hat Microsoft im Juni 2025 auf der Grundlage der anonymisierten Nutzungsdaten seiner Bürosoftware vermessen und dem Befund den sprechenden Namen des endlosen Arbeitstags gegeben. Danach wird ein Beschäftigter während der Kernarbeitszeit im Durchschnitt alle 2 Minuten von einem Meeting, einer E-Mail oder einer Chat-Nachricht unterbrochen, beim am stärksten belasteten Fünftel der Nutzer summiert sich das auf rund 275 Unterbrechungen am Tag, Besprechungen nach 20 Uhr nahmen binnen eines Jahres um 16 Prozent zu, und in der begleitenden Befragung von 31.000 Wissensarbeitern in 31 Ländern beschreibt fast die Hälfte der Beschäftigten und mehr als die Hälfte der Führungskräfte die eigene Arbeit als chaotisch und fragmentiert, während ein Drittel angibt, das Arbeitstempo der letzten fünf Jahre sei schlicht nicht mehr zu bewältigen. Microsoft verkauft mit seinen KI-Assistenten zugleich das Mittel, das aus dieser Lage herausführen soll, die Zahlen sind also als Diagnose eines Anbieters mit eigenem Interesse zu lesen, doch der bemerkenswerteste Satz des Berichts richtet sich gegen die eigene Verkaufslogik, denn er warnt, ohne einen neu geordneten Arbeitsrhythmus drohe die künstliche Intelligenz lediglich ein kaputtes System zu beschleunigen.[79]
> „Ein Beschäftigter wird in der Kernarbeitszeit im Durchschnitt alle 2 Minuten unterbrochen, und ohne neu geordneten Arbeitstag beschleunigt die künstliche Intelligenz dieses kaputte System nur."
Warum diese Verdichtung in keiner Produktivitätsstatistik auftaucht, erklärt ein Laborexperiment, das die Informatikerin Gloria Mark, die führende Forscherin zur Unterbrechung von Wissensarbeit, bereits 2008 mit Kollegen der Humboldt-Universität veröffentlichte. Ständig unterbrochene Versuchspersonen erledigten ihre Aufgaben nicht etwa langsamer oder schlechter, sondern schneller, weil Menschen die erwarteten Störungen durch ein höheres Arbeitstempo ausgleichen, und bezahlten dafür mit signifikant mehr Stress, Frust, Zeitdruck und Anstrengung, messbar bereits nach 20 Minuten unterbrochener Arbeit. Die Rechnung geht also betriebswirtschaftlich scheinbar auf, während ihre Kosten vollständig in den Menschen wandern, und genau deshalb bleibt die Verdichtung unsichtbar, bis sie als Erschöpfung sichtbar wird.[79]
> „Die Verdichtung bleibt unsichtbar, bis sie als Erschöpfung sichtbar wird."
Der lange Umbau fügt dieser alten Mechanik eine neue Ebene hinzu, denn das digitale Teammitglied nimmt nicht nur Arbeit ab, es verlangt auch Aufsicht. Wer mehrere KI-Akteure parallel führt, ihre Zwischenergebnisse prüft, ihre Fehlläufe korrigiert und ihre Übergaben koordiniert, arbeitet nicht mehr im eigenen Takt, sondern im Takt der Maschinen, und Gartner beschreibt in seinem Bild der kleinen Teams genau diese Rolle, wenn dort jedes Teammitglied neben dem eigenen Fach die Aufsicht über KI-Akteure trägt.[53]
> „Das digitale Teammitglied nimmt nicht nur Arbeit ab, es verlangt auch Aufsicht."
Wie breit diese Aufsichtsarbeit bereits angekommen ist, zeigt die schon beim Budget-Vorbehalt zitierte G-P-Befragung, in der 69 Prozent der Führungskräfte angeben, inzwischen mehr Zeit damit zu verbringen, ungeprüfte KI-Arbeit zu überwachen und wie Redakteure nachzubearbeiten, weshalb der Report das Jahr 2026 kurzerhand zum Jahr des menschlichen Redakteurs erklärt, im Original zum year of the human editor.[71] Die Orchestrierung wird damit zur neuen Form des Multitaskings, und sie trifft auf Belegschaften, die zum Teil bereits am Anschlag arbeiten. Das Stimmungsbild aus der im Kapitel zur ersten Kraft zitierten Umfrage unter Tech-Beschäftigten fügt sich hier ein, denn der Anteil der mindestens moderat Ausgebrannten sprang binnen eines Jahres von 44,7 auf 55,7 Prozent, und was die Befragten fürchten, ist nicht die Ersetzung, sondern das Tempo, die Sorge, in eine Taktung zu geraten, die sich nicht durchhalten lässt, während jeder Produktivitätsgewinn sofort zur neuen Messlatte der Erwartung wird.[28] Für die Diagnose dieses Kapitels heißt das, dass die Lernlücke nicht nur eine Erfolgslücke ist, sondern eine Belastungslücke. Eine Organisation, die schneller investiert, als sie lernt, überträgt die Differenz nicht auf die Maschine, sondern auf ihre Leute, und ob die freigespielte Zeit in Entlastung oder in verdichtete Erwartung übersetzt wird, ist dieselbe Führungsentscheidung, die dieses Kapitel an der Delegationsfrage bereits kennt.
> „Die Orchestrierung wird zur neuen Form des Multitaskings, und sie trifft auf Belegschaften, die zum Teil bereits am Anschlag arbeiten."
Neben der Belastungslücke öffnet sich eine zweite, und sie trifft die Fähigkeiten der Belegschaft unmittelbar. Bisher beschrieb dieses Kapitel die Lernlücke als das Versäumnis, neue Fähigkeiten rechtzeitig aufzubauen. Nun kommt der umgekehrte Fall hinzu, dass ein Unternehmen Fähigkeiten, die es längst besitzt, allmählich wieder verliert. Das Beratungsunternehmen BCG nennt das den verteilten Kompetenzverlust und meint damit nicht, dass eine einzelne Person nachlässt, sondern dass eine ganze Belegschaft ihr Urteilsvermögen zur gleichen Zeit einbüßt, sobald alle mit denselben Werkzeugen und auf derselben Datengrundlage arbeiten. Aufschlussreich ist, welche Fähigkeiten die befragten Führungskräfte am stärksten gefährdet sehen, denn es sind nicht die Routinehandgriffe, die sich ohnehin leicht abgeben lassen, sondern die anspruchsvollsten, das Gespür dafür, welches Problem überhaupt zu lösen ist, und das Urteil darüber, wie zu entscheiden ist, also gerade jene Fähigkeiten, die eine Maschine mühelos nachahmt und nur schwer wirklich ersetzt. Der Weg dorthin ist unscheinbar und wirkt gerade deshalb, denn weil das digitale Teammitglied brauchbare Ergebnisse rasch genug liefert, gewöhnt man sich daran, sie als gut genug hinzunehmen, und überspringt den Schritt, der früher die eigentliche Arbeit war, das Prüfen der Argumentation dahinter. Wer nicht mehr hinterfragt, verlernt es, so wie ein Muskel schwindet, den man nicht mehr braucht.[56]
> „Nun kommt der umgekehrte Fall hinzu, dass ein Unternehmen Fähigkeiten, die es längst besitzt, allmählich wieder verliert."
> „Wer nicht mehr hinterfragt, verlernt es, wie ein Muskel, den man nicht mehr braucht."
Man muss diesen Befund vorsichtig lesen, denn er beruht auf der Einschätzung von 70 Führungskräften und kommt von einem Unternehmen, das aus eben diesem Problem sein Beratungsgeschäft macht, und auch die Forschung zu den sogenannten kognitiven Schulden, dem durch Auslagern geschwächten Denken, steckt noch in den Anfängen und ist umstritten.[56] Seit Anfang des Jahres liegt allerdings die erste größere experimentelle Messung dazu vor. Zwei Verhaltensforscher der Wharton School, Steven Shaw und Gideon Nave, ließen 1.372 Versuchspersonen in drei Experimenten Denkaufgaben lösen und stellten ihnen frei, eine KI zu Rate zu ziehen, insgesamt fast 10.000 Entscheidungen. Mehr als jede zweite Aufgabe wurde an die Maschine delegiert, und die Richtung des Effekts hing vollständig davon ab, ob die Maschine recht hatte. Mit korrekten KI-Antworten stieg die Trefferquote um 25 Prozentpunkte, mit falschen fiel sie um 15 Punkte unter das Niveau derer, die ganz ohne KI arbeiteten. Das Beunruhigendste war die Selbstsicherheit, denn sie wuchs in beiden Fällen, bei richtigen wie bei falschen Antworten der Maschine. Die Forscher nennen diesen Reflex die kognitive Kapitulation, die Übernahme eines Maschinenurteils ohne eigene Prüfung, und sie beobachten ihn umso häufiger, je größer das Vertrauen in die Technik ist, während ausgeprägtes analytisches Denken davor schützt.[8] Der BCG-Befund selbst wiegt als Messung dennoch wenig, als Selbstbeobachtung einer Berufsgruppe umso mehr,[56] denn das nachlassende Urteil bleibt nicht beim Einzelnen. Wo alle mit denselben Systemen arbeiten, gleichen sich die Ergebnisse an, ähnliche Antworten, ähnliche Formulierungen, ähnliche Schlüsse, und je ähnlicher sie werden, desto weniger Grund bleibt, überhaupt noch die Meinung eines Kollegen einzuholen, während das Tempo, das alles sofort verlangt, der Diskussion den letzten Rest an Zeit nimmt. Zugleich verschiebt sich die Verantwortung, denn stammt ein Ergebnis von der künstlichen Intelligenz, fällt es leichter, es nicht mehr als das eigene anzusehen, und sogar erfahrene Leute ersetzen ihr Urteil aus Gewohnheit und unter Zeitdruck durch das der Maschine, ohne dass ihnen jemand das Nachlassen ansähe. Für dieses Kapitel folgt daraus, dass die Fähigkeit eines Unternehmens nichts Festes ist, das man einmal hat und dann behält, sondern etwas, das nur im Gebrauch bleibt, und ob die Technik sie schärft oder aushöhlt, hängt nicht an ihr selbst, sondern an derselben Führung, die schon über Delegation und Verdichtung entscheidet.
> „Das Beunruhigendste war, dass die Selbstsicherheit in beiden Fällen wuchs, bei richtigen wie bei falschen KI-Antworten. Kognitive Kapitulation nennen die Forscher die Übernahme eines KI-Urteils ohne eigene Prüfung."
Dass diese Kapitulation nicht nur im Labor geschieht, sondern im Berufsalltag, hat der Feldversuch bei der Boston Consulting Group gezeigt, den dieses Kapitel eingangs für den Gewinn innerhalb der Leistungsgrenze angeführt hat, denn derselbe Versuch enthielt eine zweite, bewusst außerhalb dieser Grenze liegende Aufgabe. Die Berater sollten eine Datenanalyse mit qualitativen Hinweisen aus Interviews verbinden, und die Maschine antwortete darauf plausibel, aber falsch. Die Gruppe mit KI-Zugang lieferte 19 Prozentpunkte seltener eine richtige Lösung als die Gruppe ohne. Dieselbe Maschine, die die Berater bei der ersten Aufgabe um ein Viertel schneller gemacht hatte, machte sie bei der zweiten schlechter als ohne Werkzeug, und von außen war den beiden Aufgaben nicht anzusehen, auf welcher Seite der Grenze sie lagen. Die Autoren sprechen von einer gezackten Leistungsgrenze der Technologie.[9] Für den langen Umbau ist das der experimentelle Beleg für den übersprungenen Prüfschritt. Der Verlust entsteht nicht, weil die Maschine unbrauchbar wäre, sondern weil der Mensch aufhört zu prüfen, sobald sie ihm einmal genützt hat. Eine Organisation, die den Gewinn innerhalb der Grenze verbucht, kauft den Verlust jenseits der Grenze mit, solange sie ihren Leuten nicht beibringt, wo die Grenze verläuft, und sie verschiebt sich mit jedem neuen Modell.
Dass diese Mechanik nicht nur die einzelne Entscheidung betrifft, sondern den Aufbau des Könnens selbst, hat ein vorregistrierter Feldversuch bereits im Jahr davor gezeigt, und seine Anlage bringt die entscheidende Frage auf den Punkt. Hamsa Bastani, Osbert Bastani und ihr Team von der University of Pennsylvania ließen an einer großen Oberschule in der Türkei knapp 1.000 Schülerinnen und Schüler der Jahrgänge neun bis elf in vier Sitzungen Mathematik üben. Jede Sitzung folgte demselben Ablauf, einer Wiederholung durch die Lehrkraft, einer Übungsphase und einer abschließenden Prüfung ohne jedes Hilfsmittel, und verändert war allein die Übungsphase. Eine Gruppe erhielt ein Werkzeug, das sich wie ein gewöhnlicher Chatbot verhielt, eine zweite dasselbe Modell mit einer von Lehrkräften geschriebenen Anweisung, die Lösungen zurückhielt und stattdessen abgestufte Hinweise gab, eine dritte arbeitete mit den üblichen Unterlagen. In der Übung lagen beide Gruppen mit maschineller Hilfe weit vorn, die erste um 48, die zweite um 127 Prozent. In der Prüfung ohne Hilfsmittel fiel die erste Gruppe um 17 Prozent unter die Kontrollgruppe, während die zweite von ihr statistisch nicht zu unterscheiden war. Dasselbe Modell führte also je nach Einsatz zu entgegengesetzten Ergebnissen, und die Gesprächsverläufe zeigen, woran das lag, denn wer die Lösung bekommen konnte, fragte danach und schrieb sie ab, ohne einen eigenen Versuch zu unternehmen. Für ein Unternehmen wiegt der zweite Befund womöglich schwerer als der erste, denn keine der beiden Gruppen erkannte ihre eigene Lage. Die schlechter abschneidende hielt sich nicht für schlechter, und die andere, die gar nicht besser abschnitt, hielt sich deutlich für besser.[80]
Was Labor und Selbstauskunft nur andeuten können, hat im Juni 2026 erstmals eine Messung des gewöhnlichen Gebrauchs über Jahre geprüft, und sie stammt nicht aus der Erwerbsarbeit, sondern aus der Schule. David Strömberg von der Universität Stockholm sowie Victor Lei und Yanhui Wu von der Universität Hongkong verfolgten 26.811 chinesische Schülerinnen und Schüler der Jahrgangsstufen sieben bis zwölf über 30 Monate und nutzten aus, dass die generative künstliche Intelligenz an den beteiligten Schulen zeitlich versetzt ankam, wodurch sich Gruppen mit und ohne Zugang miteinander vergleichen lassen. Die Hausaufgabenleistung stieg um 18 Prozent, während die dafür aufgewendete Zeit um 30 Prozent fiel. Die Ergebnisse der monatlichen Prüfungen ohne Hilfsmittel fielen binnen eines halben Jahres um 20 Prozent, und in den großen Aufnahmeprüfungen, an denen in China der weitere Bildungsweg hängt, lagen die Verluste bei 18 und 24 Prozent, wobei sich die volle Wirkung erst nach etwa zwei Jahren zeigte. Entscheidend ist für dieses Kapitel aber nicht die Höhe des Verlusts, sondern seine Verteilung, denn er sitzt fast vollständig bei jener Gruppe von rund 80 Prozent der Nutzer, deren auffällig kurze Bearbeitungszeit bei zugleich hohen Hausaufgabennoten auf ein Auslagern der Arbeit statt auf ein Arbeiten mit dem Werkzeug hindeutet. Wer seine Bearbeitungszeit beibehielt und die Maschine daneben nutzte, verlor kaum etwas. Nicht das Werkzeug erzeugt den Verlust, sondern der Verzicht auf den Weg zum Ergebnis.[55]
Die Übertragung auf den Betrieb ist Deutung und kein Messergebnis, denn erhoben wurde ein Schulsystem in einem einzigen chinesischen Landkreis, und die Arbeit liegt als Diskussionspapier vor und ist nicht begutachtet. Der Mechanismus aber ist derselbe, den dieses Kapitel an der Belegschaft beschreibt, und die Schule liefert dazu, was dem Betrieb bisher fehlt, nämlich eine Prüfung ohne Hilfsmittel. Ein Unternehmen misst seinen KI-Erfolg an dem, was in dieser Untersuchung die Hausaufgabennote ist, also am fertigen Ergebnis und an der dafür gebrauchten Zeit, und beide Größen zeigten hier über Monate nach oben, während das darunterliegende Können bereits nachgab. Wer diese Verzögerung ernst nimmt, liest die eigenen Einführungszahlen anders, denn ein Unternehmen bekommt seinen Prüfungstag nicht monatlich, sondern erst dann, wenn ein Fall auftritt, für den das Werkzeug keine Vorlage hat.[55]
Der Befund von BCG und das Experiment der Wharton School beschreiben, was mit dem Urteil des Menschen geschieht, nachdem die Maschine geantwortet hat. Wie viel schon vorher entschieden wird, nämlich mit der Frage selbst, hat eine noch nicht begutachtete Arbeit von Taha Choukhmane, Tim de Silva, Weidong Lin und Matthew Akuzawa vom Massachusetts Institute of Technology und der Universität Stanford erstmals sauber vermessen, wenn auch in einem ganz anderen Feld, nämlich der privaten Finanzberatung. Tausend repräsentativ ausgewählte Amerikaner schrieben dort ihre eigenen Fragen an einen KI-Berater, und die Forscher rechneten die erteilten Ratschläge über ein ganzes Erwerbsleben durch. Der Rat der Maschine war im Großen und Ganzen gut, er hätte die meisten Befragten näher an das gebracht, was die Lehrbücher empfehlen. Er fiel aber je nach fragender Person verschieden aus, und um zu klären, woran das liegt, fügten die Forscher in jene Fragen, die das Geschlecht nicht von sich aus nennen, zufällig den Satz ein, man sei ein Mann oder eine Frau. Damit ließ sich trennen, was auf die Frage zurückgeht und was auf das Modell: Zwei Drittel des Unterschieds im empfohlenen Aktienanteil entstanden daraus, dass Menschen verschieden fragen, ein Drittel daraus, dass die Maschine auf dieselbe Frage verschieden antwortet.[81]
Der Befund stammt aus der Finanzplanung privater Haushalte und nicht aus der Erwerbsarbeit, seine Übertragung auf den Betrieb ist deshalb Deutung und kein Messergebnis. Sie liegt dennoch nahe, denn was die Autoren am Ende ihrer Arbeit festhalten, ist die Diagnose dieses Kapitels in anderer Sprache: Die Nachfrageseite werde die Qualität dessen, was die Menschen erhalten, auch dann begrenzen, wenn die Modelle besser werden. Ein Unternehmen, das allen dieselbe Lizenz gibt und danach auf sehr verschiedene Ergebnisse blickt, hat kein Modellproblem, sondern sieht seiner eigenen Lernlücke bei der Arbeit zu.
Die amtliche Unternehmensbefragung des Census Bureau, die im Kapitel zum KI-Argument die Beschäftigungswirkung so klein ausfallen lässt, misst auch die Tiefe der Verankerung, und sie beziffert damit den Abstand zwischen Pilot und Produktivbetrieb genauer, als es bisher möglich war. 57 Prozent der Unternehmen, die künstliche Intelligenz einsetzen, tun das in höchstens drei ihrer Geschäftsfunktionen, 65 Prozent beschränken die Nutzung ihrer Beschäftigten auf höchstens drei Aufgabenarten, und eine Typisierung der Anwender ergibt, dass mit 37 Prozent die größte Gruppe aus Minimalisten besteht, während die Technologie in ganzen 4 Prozent der Fälle umfassend über alle Funktionen hinweg eingesetzt wird, also in gerade einmal vier von hundert Unternehmen. Aufschlussreicher noch als diese Enge ist, wie ungleichzeitig die Einführung verläuft. In 36 Prozent der Unternehmen, in denen Beschäftigte mit künstlicher Intelligenz arbeiten, gibt es überhaupt keine formale Einführung auf Unternehmensebene, die Nutzung ist also von unten gewachsen und an der Leitung vorbei. Umgekehrt zeigen 19 Prozent der Unternehmen mit formaler Einführung keine erkennbare Nutzung in den Aufgaben ihrer Beschäftigten, dort ist die Entscheidung getroffen und in der Umsetzung stecken geblieben. Beides zugleich zu sehen ist der eigentliche Gewinn dieser Befragung, denn die Verbreitung im Unternehmen ist danach kein einheitlicher Vorgang, sondern sie besteht aus zwei voneinander unabhängigen Bewegungen, die einander verfehlen können. [82]
Die Befunde dieses Kapitels zeigen immer wieder dasselbe Bild. Der Abstand zwischen dem, was an Technologie eingekauft und erprobt wird, und dem, was davon im täglichen Betrieb wirklich funktioniert, zeigt sich in der amtlichen Statistik ebenso wie in den Befragungen und in den Nutzungsdaten der Anbieter. Genau dieser Abstand zwischen Pilot und Produktivbetrieb ist die Größe, die der Report ab der Ausgabe 2027 Jahr für Jahr in einer eigenen Kennzahl misst, weil sie mehr über den wahren Stand der Dinge verrät als jede Zahl über Modelle oder Investitionssummen. Wie eine Organisation diesen Abstand schließt, wie sie also das Wissen aufbaut, das künstliche Intelligenz vom Versuch in den laufenden Betrieb hebt, ist die Frage, auf die dieser Report am Ende hinausläuft. An dieser Stelle genügt der Befund, dass die folgenreichste der drei Kräfte bisher nicht an der Technik scheitert, sondern an den Organisationen, die erst noch lernen müssen, mit ihr zu arbeiten.
### Der Blick nach vorn
Der lange Umbau hat ein historisches Drehbuch, und dessen entscheidende Szene steht noch bevor. Bei der Elektrifizierung kam der Produktivitätssprung nicht, als die Fabriken ihre Dampfmaschinen ersetzten, sondern erst, als eine neue Generation von Werken um den Elektromotor herum gebaut wurde, mit anderen Grundrissen, anderen Abläufen und einer anderen Arbeitsteilung. Der Wirtschaftshistoriker Paul David von der Universität Stanford hat dieses Drehbuch 1990 in seinem berühmt gewordenen Aufsatz „The Dynamo and the Computer" vermessen, als die Computer gerade dieselbe Enttäuschung produzierten wie heute die künstliche Intelligenz. Auf den Einwand des Nobelpreisträgers Robert Solow, man sehe das Computerzeitalter überall, nur nicht in den Produktivitätsstatistiken, antwortete David mit dem Blick zurück: Um 1900 hätte ein Beobachter dasselbe über die Dynamos sagen können. Im Jahr 1899 lieferten Elektromotoren weniger als 5 Prozent der Antriebskraft amerikanischer Fabriken, erst gut zwei Jahrzehnte später war die Hälfte erreicht, und der messbare Produktivitätsschub kam erst in den zwanziger Jahren, vier Jahrzehnte nach dem ersten Kraftwerk. Dann allerdings kam er mit Wucht, denn etwa die Hälfte der Beschleunigung, die das Produktivitätswachstum der amerikanischen Industrie in diesem Jahrzehnt erlebte, lässt sich statistisch allein auf den Ausbau der elektrischen Antriebe zurückführen. David fügte eine Warnung hinzu, die heute schärfer trifft als damals: Fabrikgebäude verschleißen und zwingen irgendwann zum Neubau, die Abläufe und Informationsstrukturen eines Unternehmens aber nutzen sich nicht ab. Wer den Umbau nicht bewusst beschließt, den zwingt nichts dazu.[67] Übertragen auf die Gegenwart heißt das, dass die eigentliche Wirkung der künstlichen Intelligenz nicht dort entstehen wird, wo Beschäftigte ein weiteres Werkzeug erhalten, sondern dort, wo Abläufe, Produkte und Verantwortlichkeiten von Grund auf um die Fähigkeiten digitaler Teammitglieder herum entworfen werden.
> „Der erste Produktivitätsschub der Elektrifizierung kam erst vier Jahrzehnte nach dem ersten Kraftwerk."
> „Fabrikgebäude verschleißen und müssen irgendwann erneuert werden, die Abläufe und Informationsstrukturen eines Unternehmens aber nicht. Wer den Umbau nicht beschließt, den zwingt nichts dazu."
Aus der Unterscheidung von Produkt- und Prozesskanal, die die Untersuchung von Kim und Koning beisteuert, folgt dabei eine strategische Entscheidung, die viele Unternehmen noch gar nicht als solche erkannt haben. Wenn KI-Fähigkeiten zunehmend in gekaufte Produkte wandern, dann wandert mit ihnen auch Wissensarbeit aus dem Unternehmen hinaus zum Anbieter. Unternehmen müssen deshalb schon heute und in Zukunft weit dringlicher entscheiden, welche Wissensarbeit sie an eingekaufte Produkte abgeben und wo sie die Technologie an die eigenen Prozesse anpassen, damit das eigene Wissen im Unternehmen bleibt. Das ist keine Softwarefrage, sondern eine der wichtigsten strategischen Entscheidungen der kommenden Jahre, und sie ist kein Entweder-oder. Die eigentliche Führungsleistung besteht darin, Thema für Thema zu bestimmen, welche Arbeit in den einen und welche in den anderen Kanal gehört. Dass die deutsche Wirtschaft mit ihrer ausgeprägten Neigung zur Veredelung bestehender Modelle bereits in diese Richtung tastet, verwandelt die Entscheidung von einer Theorie in eine beobachtbare Praxis, doch bewusst und Thema für Thema durchdacht ist sie damit noch längst nicht.[51]
> „Wenn KI-Fähigkeiten zunehmend in gekaufte Produkte wandern, wandert mit ihnen auch die Wissensarbeit aus dem Unternehmen hinaus zum Softwareanbieter."
Wie diese Entscheidung im Alltag aussieht, zeigt ein einfaches Gegensatzpaar. Die Personalabrechnung ist für kaum ein Unternehmen ein Wettbewerbsvorteil, hier ist das eingekaufte KI-Produkt die vernünftige Wahl, weil es Routinewissen günstig und zuverlässig bereitstellt. Die Produktentwicklung dagegen ist der Kern dessen, was ein Unternehmen von seinen Wettbewerbern unterscheidet, und gehört deshalb auf die eigene Seite der Grenze. Dort kommt es darauf an, das Fachwissen des Unternehmens in einer Form festzuhalten, die ihm selbst gehört und mit der digitale Teammitglieder unmittelbar arbeiten können, unabhängig davon, welches Modell oder welcher Anbieter gerade darunterliegt. So wandert das Wissen beim Wechsel der Technologie einfach mit, während das in ein fremdes Produkt abgegebene Wissen beim Anbieter bleibt.
Die Delegationsbefunde dieses Kapitels zeigen, dass dieser Schritt eine eigenständige Führungsentscheidung ist und keine automatische Folge besserer Modelle, und genau darin liegt die gute Nachricht, die aus der Diagnose folgt. Der Engpass ist gestaltbar. Eine Organisation, die das Lernen selbst zum Gegenstand macht, die also systematisch prüft, welche Aufgabe sie einem digitalen Kollegen mit welcher Aufsicht überträgt, verkürzt den langen Umbau nicht auf ein Quartal, aber sie verwandelt ihn von einem Schicksal in ein Programm. Die Kennzahl, mit der dieser Report den Abstand zwischen Pilot und Produktivbetrieb Jahr für Jahr misst, wird zeigen, wer diesen Schritt gegangen ist.
---
## Der technologische Unterbau entsteht schneller, als die Unternehmen ihn in ihre Arbeit übernehmen
Die drei Kräfte beschreiben, was am Arbeitsmarkt geschieht. Unter ihnen verläuft eine technologische Entwicklung, die dieser Report das ganze Jahr über auf workafterai.org verfolgt, und dieses Kapitel verdichtet sie zu einem Lagebild. Als Quellen dienen dabei die Investitionsentscheidungen von Frühphasen-Investoren und die Arbeiten von Forschungseinrichtungen, dieselbe Evidenzbasis wie beim Jahresreport, denn wohin dieses Kapital fließt, verrät früher als jede Umfrage, welche Werkzeuge in den kommenden Jahren in den Unternehmen ankommen werden. Diese Investitionen sagen weniger über die Forschung als über den Weg der Technologie in den Markt aus, denn sie zeigen an, welche Werkzeuge in den Unternehmensalltag einziehen, und erlauben damit eine zeitliche Abschätzung. Die Investoren sind dabei stets Beleg und nie das Thema, denn was sich aus ihren Entscheidungen des ersten Halbjahres 2026 ablesen lässt, handelt nicht von Renditen, sondern von der Arbeit selbst, und es gliedert sich in drei klar erkennbare Schichten.
Die erste Schicht ist der Übergang vom Werkzeug zum Mitarbeiter. Die Systeme, in die derzeit das meiste Kapital fließt, sind keine Assistenten mehr, die einzelne Handgriffe beschleunigen, sondern digitale Kräfte, die ganze Aufgaben von Anfang bis Ende übernehmen, im Kundenservice, in Recherche und Analyse, in der Versicherungssachbearbeitung, zunehmend spezialisiert je Fachfunktion und Branche. Das zeigt sich bereits in der Größenordnung der Finanzierungen, wenn ein Anbieter digitaler Mitarbeiter für Unternehmen wie Sierra (sierra.ai) in einer einzigen Runde 950 Millionen Dollar erhält. [83] Wie schnell die Aufgabenlänge wächst, die sich solchen Kräften übertragen lässt, misst inzwischen eine eigene Forschungslinie. Die auf die Prüfung von KI-Modellen spezialisierte Organisation METR ermittelt den sogenannten Zeithorizont, also die Zeit, die Menschen für jene Aufgaben brauchen, die ein Modell mit fünfzigprozentiger Erfolgsquote bewältigt, und dieser Horizont hat sich seit 2019 etwa alle sieben Monate verdoppelt, in der jüngsten Messperiode sogar schneller. [84] Die Kennzahl stammt aus dem Umfeld der KI-Sicherheitsforschung, ist auf Software- und Forschungsaufgaben beschränkt und misst unter Laborbedingungen statt im Betriebsalltag, doch sie ist die bislang sauberste Übersetzung des Modellfortschritts in die Sprache delegierbarer Arbeit, und dieser Report wird sie in den kommenden Jahrgängen als Referenzkurve mitführen. Wer diese Kurve als Referenz führt, muss allerdings auch offenlegen, wie fragil ihr oberes Ende ist. Der jüngste Spitzenwert von rund 16 Stunden stammt aus einer Messung an einer Vorabfassung von Claude Mythos im Frühjahr 2026 und liegt in einem Vertrauensintervall, das von 8,5 bis 55 Stunden reicht, weil überhaupt nur fünf der 228 Aufgaben der Testreihe so lange dauern. Hinzu kommt, dass die menschlichen Vergleichszeiten von extern bezahlten Entwicklern stammen, während die Betreuer der jeweiligen Codebasis dieselben Aufgaben 5 bis 18 Mal schneller erledigten, und dass der Zeithorizont außerhalb der Programmierung einbricht, bei der Bedienung grafischer Oberflächen um den Faktor 40 bis 100. [29] Die Kurve zeigt damit weiterhin das Richtige, nämlich eine ungewöhnlich schnelle Verschiebung dessen, was sich überhaupt delegieren lässt, aber sie zeigt es für einen schmalen Ausschnitt der Arbeit und mit einer Messlatte, die für menschliche Arbeit niemand akzeptieren würde, denn eine Erfolgsquote von 50 Prozent wäre in keinem Betrieb eine bestandene Aufgabe. Was hier gebaut wird, ist der Gegenstand, um den die drei Kräfte dieses Reports kreisen, eine digitale Belegschaft, die Unternehmen einstellen können.
Was jenseits dieses schmalen Ausschnitts geschieht, hat im Juli 2026 eine Forschergruppe um Peter Kirgis und Sayash Kapoor im Evaluationsprojekt CRUX der Princeton University mit einem eigens entwickelten Verfahren geprüft. Bei der sogenannten Schattenevaluation erhält ein üppig ausgestatteter Spitzenagent die zentrale Forschungsfrage einer hochwertigen, noch unveröffentlichten Arbeit, und er hat dafür sechs Tage Zeit, verfügt über 3.000 Dollar Modellguthaben und eigene Rechenkapazität, kann frei im Netz recherchieren und selbst Unteragenten beauftragen; anschließend begutachten die Originalautoren das Ergebnis so, wie sie eine Konferenzeinreichung begutachten würden. In beiden untersuchten Fällen fiel das Urteil eindeutig aus, denn auf der sechsstufigen Bewertungsskala einer führenden Fachkonferenz erreichten die maschinellen Arbeiten eine Zwei und eine Eins. Bemerkenswert ist, woran sie scheiterten und woran nicht. Die technische Umsetzung gelang vollständig und ohne menschliche Hilfe, von der Literaturübersicht über das Einrichten und Reparieren der Rechenumgebungen bis zu hunderten Experimenten und dem druckfertigen Dokument. Gescheitert sind die Systeme am Urteil darüber, wann ein Befund gut genug belegt ist, an der schöpferischen Reaktion auf grundsätzliche Kritik, auf die sie mit weiteren Einschränkungen im Text statt mit einem neuen Versuchsaufbau antworteten, am Rückzug aus einmal eingeschlagenen Sackgassen, am Bewusstsein für die eigenen Mittel und Fristen und am Einhalten der Vorgaben, denn beide Arbeiten überschritten die zulässige Seitenzahl und wären damit schon formal aussortiert worden. Die Befunde beruhen auf zwei Fällen und auf Beobachtungen der Forscher an ihrem eigenen Versuch, eine unabhängige Nachprüfung gibt es nicht, und zwei der Beteiligten gehören zu den bekanntesten Kritikern der These einer baldigen maschinellen Selbstverbesserung, was die Arbeit selbst offenlegt. Was sie zeigt, ist gleichwohl genau die Trennlinie, um die dieser Report kreist, denn die handwerkliche Umsetzung beherrscht die Maschine bereits vollständig, die Leitung eines Forschungsvorhabens, also das Urteil darüber, was zu tun ist und wann ein Ergebnis genügt, beherrscht sie nicht, und dieser Befund stammt nicht aus einem mittelständischen Betrieb, sondern aus der Werkstatt der Technologie selbst. [85]
Wie weit dieser Übergang im Massengeschäft bereits gediehen ist, zeigt ein Datensatz aus dem amerikanischen Wohnungsmarkt, den Andreessen Horowitz im Juli 2026 aus dem Betrieb seiner Beteiligung EliseAI (eliseai.com) veröffentlicht hat, deren Dialogsysteme die Mieterkommunikation für rund jede sechste Mietwohnung der Vereinigten Staaten führen. Mitte 2023 dauerte der mittlere maschinell geführte Telefonanruf 46 Sekunden, kaum mehr als die Ansage der Öffnungszeiten, Ende 2025 rund eine Minute und 40 Sekunden und damit genauso lange wie das Gespräch mit einem menschlichen Mitarbeiter. Das System, das den Anruf früher nur entgegennahm, führt das Gespräch inzwischen selbst. Aufschlussreich ist, was dieselben Daten über die Übergabe an den Menschen zeigen, denn wird ein Interessent nach dem maschinellen Vorgespräch sofort an einen Mitarbeiter weitergereicht, unterschreibt gut ein Viertel am Ende den Mietvertrag, vergehen dagegen bis zur Übergabe drei Tage, sinkt die Quote auf unter 9 Prozent. Der Wert der digitalen Arbeitskraft entsteht demnach nicht dort, wo sie den Menschen ersetzt, sondern an der Nahtstelle, an der beide zusammenarbeiten. Die Zahlen sind der Eigenbericht eines Investors über sein Portfoliounternehmen und entsprechend zu lesen, doch als Messung aus dem laufenden Betrieb eines Massenmarkts belegen sie, dass der Übergang vom Werkzeug zum Mitarbeiter in einzelnen Branchen bereits Betriebsalltag ist. [86]
> „Der Wert der digitalen Arbeitskraft entsteht nicht dort, wo sie den Menschen ersetzt, sondern an der Nahtstelle, an der Mensch und Maschine zusammenarbeiten."
Dass der Kundendienst die Vorhut bildet, ist keine Eigenheit des amerikanischen Wohnungsmarkts, sondern zeigt sich auch in den Zahlungsdaten sehr vieler Unternehmen. Das Forschungsteam des Finanzdienstleisters Ramp, dessen Auswertung von Unternehmensdaten dieser Report im Kapitel zur Karrierelücke bereits heranzieht, veröffentlicht monatlich eine Rangliste jener Anbieter, bei denen die rund 70.000 amerikanischen Unternehmen seiner Zahlungsplattform neu einkaufen, und im Juli 2026 belegten mit PolyAI (poly.ai) und Sierra zwei Anbieter maschineller Kundendienstsysteme den ersten und den vierten Platz der Aufsteigerliste. Bemerkenswerter als die Platzierung selbst ist die Begründung, die der Ökonom des Anbieters dafür gibt, denn sie reicht weit über den Kundendienst hinaus. Der Erfolg der künstlichen Intelligenz in der Softwareentwicklung lasse sich bislang nur an der Zahl eingereichter Codeänderungen ablesen, an geschriebenen Zeilen und am Anteil der Entwickler, die überhaupt mit solchen Werkzeugen arbeiten, und diese Größen zeigten die Menge der Arbeit, aber nicht ihren Wert. Im Kundendienst dagegen stehe der Erfolg unmittelbar in den ohnehin geführten Kennzahlen, im Anteil der Anfragen, die ohne menschliches Zutun erledigt werden, und in der Zeit bis zum Abschluss eines Falls. Die Rangliste selbst ist der Marktbrief eines kommerziellen Anbieters, sie nennt keine Wachstumsraten, legt ihr Auswahlverfahren nicht offen, und ihre Grundgesamtheit sind amerikanische, überwiegend junge und technologienahe Unternehmen. Was sie dennoch zeigt, ist eine Auswahlregel, die dieser Report an mehreren Stellen wiederfindet, denn die digitale Arbeitskraft setzt sich zuerst dort durch, wo ihr Beitrag messbar ist, und nicht dort, wo sie technisch am weitesten reicht. [76]
> „Der Erfolg der KI in der Softwareentwicklung zeigt sich bislang nur an Codeänderungen, geschriebenen Zeilen und am Anteil der Entwickler, die mit solchen Werkzeugen arbeiten, aber nicht am Wert."
Die zweite Schicht ist bemerkenswerter, weil sie eine Reifung anzeigt. Investoren fragen erkennbar nicht mehr in erster Linie, was diese Systeme können, sondern ob man ihnen trauen kann, und sie finanzieren inzwischen eine ganze Klasse von Werkzeugen, wie es sie bisher nur für menschliche Belegschaften gab. Es entstehen eigene Softwarekategorien für die Beaufsichtigung digitaler Teammitglieder, für ihre Zuverlässigkeitsprüfung und für die Kontrolle dessen, was sie tun dürfen, und parallel dazu verschiebt sich die Aufmerksamkeit zu den laufenden Kosten des Betriebs, denn ob sich ein autonomer digitaler Kollege rechnet, entscheiden nicht die Fähigkeiten des Modells, sondern die Inferenzkosten seines Dauereinsatzes. Übersetzt in die Sprache dieses Reports heißt das, dass die Technologiebranche gerade Führungsstruktur, Aufsicht und Kostenrechnung für die digitale Belegschaft nachrüstet, also exakt jene organisatorischen Voraussetzungen baut, deren Fehlen das Kapitel zum langen Umbau als den eigentlichen Engpass diagnostiziert hat.
Wie berechtigt die Frage nach der Verlässlichkeit ist, zeigt eine Nebenmessung jener amerikanischen Untersuchung zur KI-Finanzberatung, die das Kapitel zum langen Umbau bereits herangezogen hat. Wird dieselbe Anfrage fünfmal hintereinander gestellt, schwanken die empfohlenen Aktienquoten im Mittel um 6,5 Prozentpunkte, während der reine Auswertungsschritt der Forscher davon nur 1,6 Prozentpunkte beisteuert. Die Unschärfe entsteht also nicht in der Messung, sondern in der Maschine selbst, und sie ist der handfeste Grund dafür, dass Aufsicht und Zuverlässigkeitsprüfung digitaler Kräfte gerade zu einem eigenen Markt werden.[81]
> „Die Technologiebranche baut die digitale Belegschaft schneller auf, als die Unternehmen lernen, sie zu führen."
Die dritte Schicht ist die jüngste und vielleicht folgenreichste, die Vorbereitung auf den Ernstfall. Digitale Kräfte erhalten Trainingsumgebungen, in denen sie geprüft werden, bevor sie Zugriff auf den laufenden Betrieb bekommen, statt an echten Aufgaben zu lernen, und zugleich erreicht die Entwicklung mit der Rechtsarbeit den ersten Beruf mit echter Haftung, in dem ein KI-System das Mengengeschäft unter Aufsicht eines zugelassenen Anwalts übernimmt und nicht mehr nach Stunden, sondern nach Ergebnis abgerechnet wird. Dass ausgerechnet ein Berufsfeld, das lange als kaum automatisierbar galt, diesen Schritt zuerst geht, ist aufschlussreich, denn die Grenze verläuft nicht mehr zwischen einfachen und anspruchsvollen Tätigkeiten, sondern zwischen Organisationen, die Aufsicht und Haftung für digitale Arbeit regeln können, und solchen, die es nicht können.
> „Mit der Rechtsarbeit übernimmt ein KI-System erstmals das Mengengeschäft eines Berufs mit echter Haftung."
Zwei Randbedingungen gehören zur Ehrlichkeit dieses Lagebilds. Die erste ist physisch, denn sobald nicht mehr einzelne Systeme, sondern ganze digitale Belegschaften laufen, wird die Infrastruktur zum Nadelöhr. Die Investitionen der großen Cloud-Anbieter werden für 2026 je nach Abgrenzung auf 725 bis 805 Milliarden Dollar geschätzt, [87] das amerikanische Energieministerium erwartet, dass Rechenzentren bis 2028 zwischen knapp 7 und 12 Prozent des amerikanischen Stromverbrauchs beanspruchen, [88] und die Stromversorgung entwickelt sich damit zur harten Grenze des Ausbaus. Die zweite Randbedingung ist finanziell, denn sowohl die Bank für Internationalen Zahlungsausgleich als auch, Medienberichten zufolge, das amerikanische Finanzministerium warnen inzwischen vor Parallelen zur Dotcom-Blase, [89] und ein Teil der hier beschriebenen Bewertungen wird diese Prüfung nicht überstehen. Für die Frage dieses Reports ist das allerdings ein nachrangiger Einwand, denn auch das Platzen der Dotcom-Blase hat das Internet nicht rückgängig gemacht, sondern nur seine Besitzer ausgetauscht.
> „Die großen Cloud-Anbieter investieren 2026 zwischen 725 und 805 Milliarden Dollar, und das amerikanische Energieministerium erwartet, dass Rechenzentren bis 2028 bis zu 12 Prozent des amerikanischen Stromverbrauchs beanspruchen."
Diese physische Grenze hat eine zweite, weniger sichtbare Seite, die weniger mit dem Bauen als mit dem Rechnen zu tun hat. Ob ein digitales Teammitglied einen menschlichen Kollegen tatsächlich ablöst, entscheidet am Ende die schlichte Kostenfrage, denn abgelöst wird nur, wessen Arbeit teurer ist als der Betrieb der künstlichen Intelligenz, die sie übernehmen soll. Und dieser Betrieb ist alles andere als billig. Anders als klassische Software, deren zusätzliche Kosten mit jedem weiteren Nutzer gegen null sinken, verursacht die leistungsfähige künstliche Intelligenz mit jeder einzelnen Anfrage erneut Kosten für Rechenzentren, Strom, Wasser und die Daten, aus denen sie schöpft, und sie skaliert damit eher wie ein Streamingdienst, der für jedes abgespielte Lied aufs Neue zahlt, als wie ein Programm, das einmal geschrieben und danach millionenfach kopiert wird. Solange das so bleibt, verschiebt sich die Frage der Ablösung von der Fähigkeit zur Wirtschaftlichkeit, und ihre Schwelle liegt zunächst hoch, weil sich die teure Spitzentechnologie nur dort rechnet, wo sie ohnehin gut bezahlte Arbeit übernimmt. Der Finanzökonom Aswath Damodaran, der diesen Kostenpunkt in seiner Analyse der KI-Disruption zunächst ausgespart und im Sommer 2026 ausdrücklich nachgetragen hat, zieht daraus den nüchternen Schluss, dass das Tempo des langen Umbaus nicht allein von der Lernfähigkeit der Organisationen abhängt, sondern auch von der Kostenstruktur der Technologie selbst, und dass beide Bremsen erst nachlassen, wenn die Betriebskosten der künstlichen Intelligenz deutlich fallen, was keineswegs ausgemacht ist, solange ein großer Teil dieser Kosten physischer Natur bleibt und an Strom und Rechenkraft hängt. [31] Dass diese Schwelle nicht allein an Strom und Rechenkraft hängt, sondern zu einem Teil in der Hand der Organisation selbst liegt, zeigt der Fall im Kapitel zum langen Umbau, in dem die Kosten je Einheit fielen, während die Nutzung sich vervielfachte.
> „Anders als bei klassischer Software, deren zusätzliche Kosten je Nutzer gegen null gehen, entstehen bei der künstlichen Intelligenz mit jeder einzelnen Anfrage erneut Kosten für Rechenleistung."
### Der Blick nach vorn
Liest man die drei Schichten zusammen, dann baut die Technologiebranche derzeit die Angebotsseite des langen Umbaus, die digitale Arbeitskraft, ihre Führungsinstrumente und ihre Haftungsfähigkeit, und sie baut schneller, als die meisten Organisationen die zugehörige Nachfrageseite entwickeln, nämlich das eigene Wissen darüber, welche Arbeit sie dieser Belegschaft mit welcher Aufsicht übertragen wollen. Der Engpass der kommenden Jahre liegt damit absehbar nicht im Angebot. Wenn die Werkzeuge für Vertrauen, Aufsicht und Kostenrechnung erst einmal Standard sind, verliert das Argument, die Technologie sei für den Ernstfall nicht bereit, seine Grundlage, und übrig bleibt die Frage, die dieser Report als die eigentliche identifiziert, ob die Organisation bereit ist. Die kommenden Ausgaben werden an dieser Stelle Jahr für Jahr festhalten, wie weit die Technologie den Unternehmen vorausgeeilt ist, die sie nutzen sollen.
---
## Die Organisation der Zukunft gliedert ihre Arbeit nach Themen statt nach Funktionen, und sie wird dabei kleiner
In der Diskussion über künstliche Intelligenz und Arbeit geht es fast immer darum, welche Berufe bedroht sind, und dabei gerät die Frage aus dem Blick, die Eigentümern und Geschäftsführungen tatsächlich auf dem Tisch liegt: nach welchem Bauplan ein Unternehmen seine Arbeit künftig organisiert. Die funktionale Organisation, also die Gliederung in Marketing, Vertrieb, Finanzwesen und Technik, ist nicht naturgegeben, sondern eine historische Antwort auf eine Kostenrechnung. Spezialwissen war knapp und teuer, also bündelte man die Spezialisten in Abteilungen und nahm in Kauf, dass die Arbeit in Übergaben zwischen den Abteilungen wandert. Seit dem Aufsatz „The Nature of the Firm" des späteren Nobelpreisträgers Ronald Coase aus dem Jahr 1937 wissen wir, dass die Grenzen und der Innenaufbau von Unternehmen den Koordinationskosten folgen. [90] Ändert sich diese Rechnung, ändert sich früher oder später der Bauplan.
> „Die Gliederung in Marketing, Vertrieb, Finanzwesen und Technik ist nicht naturgegeben, sondern eine historische Antwort auf eine Kostenrechnung. Ändert sich die Rechnung, ändert sich der Bauplan."
Genau diese Rechnung gerät derzeit in Bewegung, und zwar messbar. Das Kapitel zum langen Umbau hat gezeigt, dass die Nutzungsdaten der drei großen Modellanbieter keine Ersetzung ganzer Berufe erkennen lassen. Was die OpenAI-Messung stattdessen sichtbar macht, ist die eingesparte Übergabe: Fast die Hälfte der fachlichen Aufgaben, für die die Werkzeuge genutzt werden, gehört historisch zu einem anderen Beruf, und am stärksten ist das Muster dort, wo kein Spezialist zum Delegieren erreichbar ist. [10] Der erste organisatorische Effekt der Technologie ist also nicht die ersetzte Stelle, sondern der ersetzte Weg über den Schreibtisch des Kollegen. Wo die Übergabe an den Fachbereich früher der Normalfall war, erledigt die Aufgabe zunehmend der, bei dem der Bedarf entsteht, mit einem digitalen Teammitglied an der Seite. Die Grenzen zwischen den Rollen verschieben sich damit schneller, als es in irgendeinem Organigramm steht.
> „Die Nutzungsdaten der großen Modellanbieter lassen keine Ersetzung ganzer Berufe erkennen."
> „Fast die Hälfte der fachlichen Aufgaben, für die die Werkzeuge genutzt werden, gehört eigentlich zu anderen Berufen."
Auf der Ebene ganzer Unternehmen zeigt sich dieselbe Bewegung an den Neugründungen. Die im Verlauf dieser Studie mehrfach herangezogene Untersuchung von Kim und Koning ergab, dass KI-native Firmen rund ein Viertel kleiner und etwa eine halbe Hierarchiestufe flacher aufgestellt sind als vergleichbare Unternehmen derselben Branche und desselben Gründungsjahrgangs, bei vergleichbaren oder höheren Bewertungen. [51] In den etablierten Unternehmen läuft parallel ein breiter Abbau von Führungsebenen, den Korn Ferry (kornferry.com) als Muster belegt, ohne ihn der künstlichen Intelligenz zuzuschreiben, [91] und einzelne Fälle zeigen, wie radikal dieser Abbau ausfallen kann, etwa die berichtete Reduktion der Managementebenen in Microsofts Spielesparte von 14 auf 3 bis fünf. [24] Keine dieser Beobachtungen beweist für sich, dass die Technologie die Ursache ist. Zusammengenommen legen sie aber nahe, dass sich die Organisationen zu weniger Ebenen, kleineren Einheiten und breiteren Rollen hin entwickeln.
Auffällig ist, dass drei ganz unterschiedliche Akteure des Marktes inzwischen dasselbe Zielbild zeichnen. McKinsey beschreibt aus der eigenen Beratungspraxis Einheiten von zwei bis fünf Menschen, die einen vollständigen Prozess von Anfang bis Ende mit 50 bis 100 spezialisierten KI-Akteuren beaufsichtigen. [92] Gartner erwartet, dass im Jahr 2029 60 Prozent der Organisationen flächendeckend kleine Entwicklerteams einsetzen, gegenüber 15 Prozent 2026, und spricht ausdrücklich davon, dass sich die Grenzen zwischen den Rollen auflösen. [53] Werkzeuganbieter wie Warp (warp.dev) beschreiben die neue Kernaufgabe des Entwicklers als das Verstehen und Justieren des Systems, das die Arbeit erledigt, nicht mehr als die Ausführung selbst. [93] Alle drei Absender haben ein Geschäftsinteresse an diesem Bild, keiner legt eine belastbare Messung vor, und ihre Zahlen sind Erwartungen, keine Messwerte. Doch die Übereinstimmung von Beratung, Marktforschung und Softwareanbietern mit dem, was die Nutzungsdaten am Verhalten der Beschäftigten bereits zeigen, sorgt dafür, dass das Zielbild ernst zu nehmen ist: die kleine, um ein Thema gebaute Einheit, die ein Ergebnis vollständig verantwortet und sich die angrenzende Fachkompetenz von der Maschine holt.
> „Das Zielbild ist die kleine, um ein Thema gebaute Einheit, die ein Ergebnis vollständig verantwortet und sich die angrenzende Fachkompetenz von der Maschine holt."
Wie es aussieht, wenn ein Konzern dieses Zielbild auf sich selbst anwendet, lässt sich seit August 2026 an Meta nachlesen. Der Umbauplan, den das erste Kapitel als vierten Fall des KI-Arguments führt, war im Kern ein Organisationsplan. Nach dem intern verbreiteten Leitfaden sollten kleine Einheiten aus zwei bis drei Entwicklern und einem Designer in Vier-Wochen-Zyklen arbeiten statt nach Halbjahresplänen, die Berufsbezeichnungen Produktdesigner und Softwareentwickler sollten in der Einheitsbezeichnung Builder aufgehen, die mittleren Führungsebenen entfallen, und jede Einheit sollte an eine einzige Bereichsleitung berichten, die für 30 bis 50 Menschen über Bewertung und Beförderung entscheidet, während die Leitung der kleinen Einheit selbst keine Führungsbefugnis mehr hatte; eine agentengestützte Auswertung sollte die Tagesprioritäten setzen. Bis Juni hatten nach dem Reuters-Bericht mindestens elf Bereiche diese Form eingeführt. Das ist, fast Punkt für Punkt, das Zielbild, das Beratung, Marktforschung und Werkzeughersteller zeichnen, umgesetzt in einem Konzern mit 75.000 Beschäftigten. Was Reuters aus den internen Foren zitiert, ist die Kostenseite, die dieses Kapitel weiter unten beschreibt: Ein Mitarbeiter, dem die Leitung einer Einheit übertragen worden war, hielt fest, er bekomme weder eine Führungsschulung noch Zugang zu den Bewertungswerkzeugen; die Verantwortung war verteilt worden, die Befugnis nicht. Zusammen mit den intern gemessenen Störfällen, die um 40 Prozent zunahmen, und einer Belegschaft, deren Zustimmung binnen eines halben Jahres von 74 auf 55 Prozent fiel, ergibt das den ersten dokumentierten Großversuch, das Zielbild dieses Kapitels zu bauen, und seinen vorläufigen Ausgang: Die Verkleinerung ließ sich anordnen, die Koordination nicht abschaffen. [26]
Wie es aussieht, wenn dieses Zielbild auf eine einzelne Funktion trifft, lässt sich am Marketing bereits besichtigen, jener Funktion, deren Aufgaben nach der OpenAI-Messung am weitesten in fremde Berufe wandern. Eine im Juni 2026 erschienene McKinsey-Befragung von 521 Marketingverantwortlichen, entstanden in Zusammenarbeit mit Googles Anzeigengeschäft und deshalb mit doppelter Interessenlage zu lesen, zeichnet dort dieselbe Bewegung nach, die dieses Kapitel beschreibt. Marie Gulin-Merle, bei Google für das weltweite Anzeigen-Marketing verantwortlich, bringt sie auf den Satz, KI-Akteure respektierten keine Silos, und erwartet, dass die Zuständigkeiten für Performance-Marketing, Wachstum und Marke nicht länger in getrennten Rollen liegen. Die Beratung selbst skizziert die künftige Marketingorganisation als Diamanten statt als Pyramide, ausdrücklich als Illustration aus Kundenbeispielen und nicht als Messung, mit weniger rein ausführenden Menschen und drei Rollentypen, die den Bauplan dieses Kapitels beinahe wörtlich wiederholen: Die einen bauen die digitalen Teammitglieder, die anderen orchestrieren sie über den gesamten Prozess, die dritten sichern als Qualitätsinstanz Standard und Urteil. Aufschlussreicher als das Zielbild ist die gemessene Distanz zu ihm. Nur 28 Prozent der Befragten erkennen im eigenen Unternehmen einen grundlegenden Umbau von Teams und Abläufen, und während knapp 60 Prozent die Werkzeuge mehrmals pro Woche nutzen, ziehen weniger als 10 Prozent einen Nutzen aus durchgängigen Prozessen, womit die Pilot-Produktiv-Lücke aus dem Kapitel zum langen Umbau hier im Marketing wiederkehrt. Eine Zahl schließlich legt die emotionale Seite der Organisationsentscheidung offen: Ausgerechnet an der Spitze ist die Anspannung am größten, 96 Prozent der Marketingchefs melden hohe Begeisterung, 71 Prozent zugleich Angst, und 80 Prozent sehen ein Risiko für die eigene Rolle. Die Neuordnung der Arbeit wird also von Menschen entschieden, die ihr selbst am stärksten ausgesetzt sind. [94]
> „Marketingaufgaben wandern am weitesten in fremde Berufe."
> „Marketingchefs melden hohe Begeisterung und zugleich Angst um die eigene Rolle. Die Neuordnung der Arbeit wird von Menschen entschieden, die ihr selbst am stärksten ausgesetzt sind."
Dass diese Bewegung nicht an der Unternehmensgrenze haltmacht, zeigt der Blick auf die Zulieferseite des Marketings. Martin Sorrell, der WPP (wpp.com) zum zeitweise größten Werbekonzern der Welt aufgebaut hat und heute die Digitalagenturgruppe S4 Capital (s4capital.com) führt, hielt der eigenen Branche Ende Juli 2026 entgegen, sie führe die falsche Diskussion. Die größte Verwerfung liege nicht in der Frage, ob die Maschine die Kreativen ersetze; die eigentliche Veränderung laufe über Medien, Daten, Plattformen, Organisationsstrukturen und die Ökonomie des Agenturgeschäfts. Die Kunden würden verlangen, dass die Effizienzgewinne der Technologie an sie weitergegeben werden, Agenturen, die weiterhin Zeit statt Ergebnisse verkaufen, gerieten unter wachsenden Druck, und die großen Plattformen würden noch mächtiger, während die Werbeflächen des Handels und das Geschäft der Influencer verschieben, wohin das Werbegeld fließt. Das ist keine Messung, sondern die Einschätzung eines Mannes, der mit S4 Capital am Gegenmodell verdient und sie als Hinweis auf den eigenen Podcast-Auftritt vorträgt. Aufschlussreich ist sie trotzdem, denn sie beschreibt von der Angebotsseite dieselbe Zangenbewegung, die die Nutzungsdaten von der Nachfrageseite zeigen. Von innen holen sich die Nachbarfunktionen die Aufgaben der Funktion, die nach der OpenAI-Messung ihre Arbeit am weitesten abgibt, wenn etwa der Vertrieb sich die Verkaufskampagne mit digitalen Teammitgliedern selbst baut und die Geschäftsführung die Markenführung an sich zieht. Von außen übernehmen die Plattformen und der Handel die Ausführung, die bisher bei den Agenturen lag, deren Geschäftsmodell, Arbeitszeit zu verkaufen, ausgerechnet das in Rechnung stellt, was die Technologie am schnellsten entwertet. [13]
Diese Außenflanke lässt sich seit kurzem beziffern. Der Werbekanal, der die Agentur strukturell umgeht, weil der Händler seine eigenen Flächen direkt vermarktet, ist nach der Prognose des Marktforschers WARC 2025 auf knapp 175 Milliarden Dollar gewachsen und wird 2026 mit knapp 197 Milliarden erstmals die gesammelten Ausgaben für klassisches und vernetztes Fernsehen überholen; die WPP-eigene Mediaholding GroupM kommt unabhängig davon auf fast denselben Wert, und dass ausgerechnet die größte Agenturholding das Wachstum des Kanals dokumentiert, der ihre Vermittlerrolle unterläuft, spricht für die Zahl. Je nach Zählung entfallen damit rund 15 bis 16 Prozent des gesamten Werbemarkts auf die Werbeflächen des Handels. Zugleich vereinen Alphabet (abc.xyz), Amazon (amazon.com) und Meta nach derselben Quelle rund 55 Prozent des Werbemarkts außerhalb Chinas auf sich, mit steigender Tendenz; Amazons Werbegeschäft wuchs im zweiten Quartal 2026 um 26 Prozent auf 19,8 Milliarden Dollar, Metas um 27 Prozent auf 59,4 Milliarden. Wohin die Plattformen dieses Geschäft entwickeln, hat Mark Zuckerberg im Mai 2025 in einem Interview unmissverständlich beschrieben: Ein Unternehmen nennt der Plattform sein Ziel und hinterlegt seine Bankverbindung, und Kreation, Zielgruppenauswahl und Messung erledigt das System. Google hat den ersten Schritt dorthin bereits vollzogen und überführt seit August 2026 die Suchkampagnen seiner Kunden automatisch in die KI-gesteuerte Kampagnenform. Wie weit die Wirklichkeit dem nachkommt, zeigt eine Umfrage des Fachdiensts Marketing Brew vom April 2026 unter Mediaagenturen: Die automatisierte Aussteuerung macht bei einzelnen Agenturen bereits 60 bis 70 Prozent der Meta-Budgets aus, doch keine der befragten Agenturen kannte einen Kunden, der der maschinellen Kreation schon voll vertraut. Die Pilot-Produktiv-Lücke des langen Umbaus kehrt auf der Plattformseite wieder. [14]
Wie sich dieser doppelte Druck auf die Zulieferindustrie auswirkt, lässt sich an ihren eigenen Geschäftszahlen ablesen, und diese zeigen keinen einfachen Niedergang, sondern eine Spreizung. WPP, über Jahrzehnte der Maßstab der Branche, hat 2025 organisch 5,4 Prozent verloren, das Jahr mit einem Nettoverlust abgeschlossen, die Dividende von 39,4 auf 15,0 Pence gekürzt und verlor nach einer Gewinnwarnung im Juli 2025 an einem einzigen Tag 16 Prozent seines Börsenwerts, auf den tiefsten Stand seit 2009; die neue Chefin Cindy Rose, geholt von Microsoft, baut den Konzern seither um. Publicis (publicisgroupe.com) dagegen, das früh auf Daten und eine eigene KI-Plattform gesetzt hat, wuchs im selben Jahr organisch um 5,6 Prozent und hob im Sommer 2026 die Prognose an. Der fusionierte Konzern aus Omnicom (omnicomgroup.com) und Interpublic (interpublic.com), seit November 2025 der größte Anbieter der Branche, wächst und baut zugleich in großem Stil Personal ab; Umsatz und Beschäftigung entkoppeln sich also auch dort, wo das Geschäft gut läuft. Und Sorrells eigene Gruppe S4 Capital, angetreten als digitales Gegenmodell, schrumpft das dritte Jahr in Folge und verdankt ihren Gewinnsprung im ersten Halbjahr 2026 fast ausschließlich der Kostensenkung. Die Krise trifft demnach nicht die Agentur als Gattung, sondern das Geschäftsmodell, Arbeitszeit zu verkaufen, und sie verschont auch den nicht, der sie am lautesten diagnostiziert. [15]
Auf der Kundenseite schließt sich die Zange. Der amerikanische Verband der Werbungtreibenden ANA vermisst seit fast zwei Jahrzehnten, wie viele seiner Mitglieder eine eigene Inhouse-Agentur führen: 42 Prozent waren es 2008, 58 Prozent 2013, 78 Prozent 2018, 82 Prozent 2023, wobei 92 Prozent zugleich weiter mit externen Agenturen arbeiten, die Verlagerung betrifft also Aufgaben, nicht die Beziehung als solche. Neu ist, dass die künstliche Intelligenz diese Verlagerung beschleunigt. In der Ausgabenbefragung des Marktforschers Gartner vom Frühjahr 2025 geben 22 Prozent der Marketingchefs an, generative KI habe ihre Abhängigkeit von externen Agenturen für Kreation und Strategie bereits verringert, und 39 Prozent planen, ihre Agenturbudgets zu kürzen. Wie das im Einzelfall aussieht, führen zwei Unternehmen vor, deren Angaben als Selbstauskünfte zu lesen sind: Der Zahlungsdienstleister Klarna (klarna.com) meldete schon im Frühjahr 2024, seine Ausgaben für externe Agenturen um ein Viertel gesenkt und den Produktionszyklus für Kampagnenbilder von sechs Wochen auf sieben Tage verkürzt zu haben, und Unilever (unilever.com) baut seit Sommer 2025 eigene KI-Designstudios auf, bemerkenswerterweise gemeinsam mit der Agenturgruppe Interpublic, die damit am Umzug der Wertschöpfung zum eigenen Kunden mitverdient. Die akademische Befragung von Marketingchefs der Duke-Universität ergänzt das Bild um die Personalseite: Das Wachstum der Marketingteams hat sich binnen eines Jahres halbiert, und die Befragten erwarten, dass die Technologie binnen drei Jahren mehr als die Hälfte der Marketingaktivitäten übernimmt. Auch hier gehört die Gegenrechnung dazu: Die britische Branchenumfrage von ISBA maß schon 2023 eine erhebliche Lücke zwischen dem, was sich Unternehmen von der Verlagerung in eigene Teams versprachen, und dem, was sie erlebten. Im eigenen Unternehmen geht es oft nicht schneller, die Wege sind nur kürzer. [16]
Zusammengenommen ist das die vollständige Zange: Von innen übernehmen die Nachbarfunktionen mit ihren digitalen Teammitgliedern die Marketingaufgaben, von außen ziehen Plattformen und Handel die Ausführung an sich, und auf der Kundenseite wandert, was an Agenturleistung übrig bleibt, in die eigenen Teams. Was der Funktion in der Mitte bleibt, ist die Rolle, die die McKinsey-Typologie als Qualitätsinstanz beschreibt, und damit die Frage, ob es dafür noch eine eigene Abteilung braucht. Von allen klassischen Funktionen ist das Marketing damit die erste, an der sich der Bauplan dieses Kapitels vollständig besichtigen lässt, von innen wie von außen, und deshalb auch die, an der sich am frühesten entscheiden wird, ob eine Funktion den Umbau gestaltet oder ihn erleidet.
Wer daraus allerdings eine einfache Verkleinerungsformel macht, unterschlägt die Kostenseite des Umbaus. Koordination verschwindet nicht, sie verlagert sich, von der Abstimmung zwischen Menschen zur Aufsicht über parallele digitale Zuarbeiter, und dafür gibt es Vorläufer in der Geschichte gescheiterter Experimente mit flachen Hierarchien, von Zappos (zappos.com) bis Medium (medium.com), in denen sich herausstellte, dass die abgeschaffte Koordination nicht eingespart, sondern nur stillschweigend verlagert worden war. [91] Die Orchestrierungslast des vorigen Kapitels ist die menschliche Seite dieser Rechnung. Die betriebswirtschaftliche Seite hat KPMG quartalsweise vermessen: 49 Prozent der befragten Organisationen haben das Tempo ihrer KI-Einführungen bereits angepasst, als die erwarteten Kosten den erwarteten Nutzen zu übersteigen begannen, und nur gut ein Drittel überblickt die eigenen KI-Betriebskosten vollständig. [72] Dazu kommt eine leisere Gefahr, die die Boston Consulting Group als verteilten Verlust von Fachkompetenz beschreibt: Wenn jeder alles ein wenig macht, kann die Fachtiefe erodieren, auf der die Qualität des Ganzen beruht. [56]
Die Messung von OpenAI enthält diese zweite Warnung bereits selbst, denn gemessen werden Versuche, nicht Ergebnisse. Ob die fachfremd erledigte Arbeit hält, was sie verspricht, zeigen Nutzungsdaten nicht, und OpenAI hält ausdrücklich fest, dass Spezialisten für Urteil und Prüfung zentral bleiben. [10] Eine Organisation, die die Grenzüberschreitung ihrer Beschäftigten einfach geschehen lässt, ohne Prüfung und Verantwortung neu zu ordnen, organisiert sich keine Produktivität, sondern ein unvorhergesehenes Risiko. Die Stanford-Forschung zur menschzentrierten KI liefert dafür den Rahmen: Die Arbeitsteilung zwischen Mensch und Maschine ist nach Aufgabe, Expertise und Risiko zu gestalten, und die Risiken summieren sich über die Zeit, statt in einzelnen Fehlern sichtbar zu werden. [95]
> „Eine Organisation, die Grenzüberschreitungen einfach geschehen lässt, organisiert sich keine Produktivität, sondern ein unvorhergesehenes Risiko."
Aus beidem folgt die eigentliche Organisationsentscheidung der kommenden Jahre, und es ist eine Entscheidung, die niemandem abgenommen wird. Das Delegationsexperiment von Colaiacovo und Koning hat gezeigt, dass die Bereitschaft, Arbeit an die Maschine zu übergeben, nur zu einem guten Drittel davon abhängt, was man der Technologie zutraut, und darüber hinaus eine eigenständige Führungsentscheidung ist. [7] Dasselbe gilt für den Aufbau der Organisation. Drei Teilfragen gehören zu dieser einen Entscheidung: erstens, welche Wertschöpfung künftig ein kleines Team von Anfang bis Ende verantwortet, mit digitalen Teammitgliedern für die angrenzenden Kompetenzen; zweitens, wo Fachtiefe bewusst gebündelt bleibt, nicht mehr als ausführende Abteilung, sondern als Instanz für Standards, Prüfung und Urteil; drittens, aus dem Kapitel zum langen Umbau, welche Wissensarbeit in das gekaufte Produkt wandern darf und welche an die eigenen Prozesse gebunden bleibt. Wer diese Entscheidung nicht trifft, bekommt die neue Aufteilung der Arbeit trotzdem, nur eben ungesteuert, denn die Beschäftigten überschreiten die alten Grenzen bereits heute, Chat für Chat.
### Der Blick nach vorn
Zeichnet man die Linien dieses Kapitels weiter, entsteht das Bild eines Organisationstyps, der sich vom Organigramm des Industriezeitalters deutlicher unterscheidet als alles, was die Digitalisierung bisher hervorgebracht hat, mit kleinen Einheiten, die nach Themen und Ergebnissen gegliedert sind und jeweils Menschen und digitale Teammitglieder gemeinsam führen, während die klassischen Funktionen zu dem werden, was Qualitätsinstanzen immer waren, zu Hütern von Standard, Prüfung und Ausbildung. Karrieren führen in dieser Organisation seltener über die Größe der Führungsspanne und häufiger über die Tiefe der verantworteten Themen. Ob es so kommt, ist offen, und die Geschichte der Organisationsmoden mahnt zur Vorsicht. Deshalb wird diese Standortbestimmung die Frage nach der Aufteilung der Arbeit von nun an jährlich verfolgen, ab 2027 im Vorstands-Puls und ab dieser Ausgabe auch in den eigenen Prognosen. Die Unternehmen, die diese Aufteilung bewusst gestalten, werden sich dabei von denen unterscheiden, die sie geschehen lassen, und das ist am Ende dieselbe Bruchlinie, an der diese Studie die Zukunft der Arbeit insgesamt festmacht: nicht die Fähigkeit der Maschine entscheidet, sondern die Fähigkeit der Organisation, sich um sie herum neu zu organisieren.
> „Die Organisation der Zukunft wird sich vom Organigramm des Industriezeitalters deutlicher unterscheiden als alles, was die Digitalisierung bisher hervorgebracht hat."
> „Karrieren führen in diesen Organisationen seltener über die Größe der Führungsspanne als über die Tiefe der verantworteten Themen."
## Wer die amerikanische Diskussion auf Europa überträgt, misst mit dem falschen Maßstab
Nachdem die drei Kräfte auseinandergehalten sind, drängt sich eine Frage auf, die die bisherige Evidenz noch gar nicht beantwortet, weil sie fast ausschließlich aus amerikanischen Daten besteht. Gilt dasselbe Bild auch für Europa, oder wird hier stillschweigend eine amerikanische Geschichte auf einen Kontinent mit anderen Regeln übertragen? Die naheliegende Annahme, gestützt von der Wucht der Stanford-Zahlen, wäre, dass sich derselbe Einbruch beim Berufseinstieg auch in Europa zeigen müsste, sobald man nur genau genug hinsieht.[4] Die europäischen Gesamtzahlen sprechen jedoch schon auf den ersten Blick gegen diese Annahme.
Auf Ebene der 27 EU-Staaten lag die Jugendarbeitslosenquote im April 2026 bei rund 15 Prozent, die Gesamtquote bei 6 Prozent. Im Jahresverlauf seit 2022 ist die Gesamtarbeitslosigkeit leicht gesunken und auf einem historischen Tief stabil, während die Jugendarbeitslosigkeit von knapp 15 auf gut 15 Prozent gestiegen ist, die relative Benachteiligung der Jüngeren hat sich also leicht vergrößert, obwohl der Arbeitsmarkt insgesamt in guter Verfassung bleibt. Entscheidend ist aber eine andere Zahl. Der amerikanische Befund eines Einbruchs bei jungen Hochschulabsolventen zeigt sich in den Gesamtzahlen der Union nicht, im Gegenteil, die Beschäftigungsquote jüngerer Absolventen stieg 2025 auf rund 83 Prozent, nach etwas mehr als 82 Prozent im Jahr davor, mit einer kleinen, sich nicht fortsetzenden Delle bei den Universitätsabsolventen. Wer die amerikanische Schlagzeile ungeprüft auf Europa überträgt, misst also mit einem Maßstab, den die europäischen Zahlen selbst nicht hergeben.[96]
Das bedeutet nicht, dass in Europa nichts geschieht, sondern dass der Durchschnitt des ganzen Kontinents das Entscheidende verdeckt. Deutschland etwa hat mit rund 7 Prozent die niedrigste Jugendarbeitslosenquote der gesamten Europäischen Union, deutlich unter dem EU-Durchschnitt, während Österreich bei rund 11,5 und die Schweiz bei 8 Prozent liegen.[96] Die großen europäischen Institutionen, Eurostat, die OECD und das europäische Berufsbildungszentrum Cedefop, haben bislang keinen Einbruch beim Berufseinstieg nach amerikanischem Muster bestätigt, und dass er ausbleibt, ist selbst ein Befund und nicht bloß ein Mangel an Belegen.[97][36][98]
Zur ehrlichen Lesart dieses Nichtbefunds gehört allerdings eine zweite Möglichkeit, die die Entwarnung relativiert. Das Ausbleiben des amerikanischen Musters kann Schutz bedeuten, es kann aber auch Verzögerung bedeuten, denn die Technologie kommt in Europa später und flacher an als in den Vereinigten Staaten. Die privaten KI-Investitionen des Kontinents liegen bei einem Bruchteil der amerikanischen[99], die Zahl der KI-Erstfinanzierungen junger Firmen ist in den amerikanischen Daten binnen vier Jahren um das Achtfache gewachsen[51], während die europäische Gründungslandschaft deutlich schmaler bleibt, und selbst dort, wo europäische Unternehmen die Werkzeuge längst einsetzen, wächst die tatsächliche Nutzungsintensität nach den Bundesbank-Daten nur langsam.[66] Wenn aber der amerikanische Einstiegseinbruch, welche seiner drei möglichen Ursachen auch immer dahintersteht, mit der Verbreitung der Technologie zusammenhängt, dann messen die europäischen Gesamtzahlen heute möglicherweise nicht die Widerstandsfähigkeit des Kontinents, sondern nur seinen Rückstand bei der Verbreitung. Die europäische Regionalforschung stützt diese Lesart mit einem Blick unterhalb der Länderebene. Die Regionalökonomen Andrés Rodríguez-Pose und Federico Bartalucci haben in ihrer im Juni 2026 erschienenen Arbeit „A Union under siege, or a Union besieging itself?" die KI-Betroffenheit der europäischen Regionen ihrer Innovationskapazität gegenübergestellt und kommen zu dem Ergebnis, dass weite Teile Süd- und Osteuropas nur deshalb von der Technologie unberührt wirken, weil sie von der Wissensökonomie weitgehend ausgeschlossen sind. Die scheinbare Sicherheit vor der Automatisierung, so die Autoren, sei keine Widerstandsfähigkeit, sondern Bedeutungslosigkeit.[100] Der europäische Befund wäre dann kein Gegenbeweis, sondern ein Zeitfenster, und ob es sich schließt, gehört zu den Fragen, die dieser Report in den kommenden Jahrgängen an denselben Zahlen weiterverfolgen wird.
> „Scheinbare Sicherheit vor der Automatisierung ist keine Widerstandsfähigkeit, sondern Bedeutungslosigkeit."
Wie die Verbreitung in einem einzelnen europäischen Land aussieht, lässt sich seit dem Sommer 2026 an Österreich vorführen, weil das AI-Econ Lab der Universität Örebro, dessen Expositionsindex im folgenden Kapitel noch eine eigene Rolle spielt, seine Kennzahlen inzwischen öffentlich führt.[101] Drei voneinander unabhängige Erhebungen ergeben dabei ein Bild, das sich nicht von selbst zusammenfügt. Der Anteil der Beschäftigten, deren Beruf im am stärksten exponierten Viertel aller Berufe liegt, beträgt in Österreich 32 Prozent und damit knapp mehr als der Mittelwert von 30,2 Prozent über 36 Länder, aber weniger als in Deutschland mit 35 und in der Schweiz mit 36 Prozent. Der Anteil der Unternehmen, die künstliche Intelligenz tatsächlich einsetzen, liegt nach der Erhebung von Eurostat für 2025 bei 30 Prozent und damit deutlich über dem Durchschnitt der Europäischen Union von 19,9 Prozent und über dem deutschen Wert von 26 Prozent. Der Anteil der Stellenausschreibungen, in denen KI-Fähigkeiten verlangt werden, beträgt dagegen 0,8 Prozent, der drittletzte Platz unter 22 gemessenen Ländern bei einem Mittelwert von 1,9 Prozent. Österreichische Unternehmen setzen die Technologie also überdurchschnittlich häufig ein und schreiben trotzdem fast keine Stellen aus, in denen sie dafür Fähigkeiten verlangen. Die drei Zahlen zählen Verschiedenes, nämlich Beschäftigte, Unternehmen und Anzeigen, und lassen sich nicht miteinander verrechnen; zusammen betrachtet beschreiben sie aber genau jene Lage, die dieser Report den langen Umbau nennt. Die Werkzeuge sind angeschafft, die Arbeit ist noch nicht neu geordnet, und solange sie es nicht ist, taucht die Technologie weder in den Stellenprofilen auf noch in den Produktivitätszahlen.
> „In 0,8 Prozent der österreichischen Stellenausschreibungen werden KI-Fähigkeiten verlangt, der drittletzte Platz unter 22 gemessenen Ländern."
Die im Kapitel zur Karrierelücke bereits eingeführte Vermessung der österreichischen KI-Fachbelegschaft durch das Team der Wirtschaftsuniversität Wien fügt diesem Dreiklang eine vierte Messung hinzu, die erklärt, warum er sich so schwer auflösen lässt.[50] Auf der Ebene der einzelnen Beschäftigten gezählt, ist die österreichische KI-Fachbasis zugleich ungewöhnlich hochwertig und ungewöhnlich schmal. Am Anteil der spezialisierten an allen KI-Rollen gemessen liegt das Land auf Rang drei von 38 europäischen Ländern, hinter Deutschland und der Schweiz; an der Dichte gemessen, also den KI-Fachkräften je 1.000 Beschäftigte, nur auf Rang 19. Zugleich beschäftigen 97 Prozent der im Panel beobachteten Unternehmen überhaupt niemanden in einer KI-Rolle, selbst in der Größenklasse von 11 bis 100 Beschäftigten hat nur gut jedes achte Unternehmen jemanden in einer solchen Rolle. Damit bekommt der Widerspruch des Dreiklangs eine Erklärung: Ein Land, dessen Unternehmen die Technologie überdurchschnittlich häufig einsetzen, aber fast kein eigenes Personal beschäftigen, das sie trägt, setzt sie als eingekauftes Werkzeug ein, nicht als eigene Fähigkeit, und hat folgerichtig auch wenig Anlass, Stellen dafür auszuschreiben. Die Zahlen stammen aus demselben Panel mit Profilen aus beruflichen Netzwerken und sind entsprechend als Werte dieses Panels zu lesen; die Lesart des langen Umbaus bestätigen sie nicht nur, sie ergänzen sie um die Feststellung, dass der Umbau ohne eigene Leute gar nicht beginnen kann.
Wie weit diese Lesart bereits in die offizielle Prognosearithmetik vorgedrungen ist, zeigt ein Blick in die Mittelfristprognose des österreichischen Instituts für Höhere Studien vom Juli 2026. In ihrem Amerika-Teil führt sie Produktivitätsgewinne aus dem Einsatz künstlicher Intelligenz als den wichtigsten künftigen Wachstumstreiber der Vereinigten Staaten, mit referierten Schätzungen zwischen einem halben und anderthalb Prozentpunkten zusätzlichen jährlichen Produktivitätswachstums, eingerechnet in ein erwartetes Wachstum von 1,8 Prozent pro Jahr. In der Prognose für das eigene Land kommt dieselbe Technologie dagegen im Basisszenario gar nicht vor, sondern erscheint nur im Risikoteil als Chance, die die Aussichten verbessern könnte, während die trendmäßige Produktivität Österreichs für die kommenden fünf Jahre mit 0,1 Prozent pro Jahr angesetzt wird, nachdem die totale Faktorproduktivität des Landes seit 2023 überhaupt nicht mehr gewachsen ist. Ob die amerikanische Rechnung zu optimistisch ist oder die europäische zu vorsichtig, wird sich erst zeigen, aufschlussreich ist die Asymmetrie selbst, denn dieselben Ökonomen trauen derselben Technologie auf dem einen Kontinent einen messbaren Wachstumsbeitrag zu und vor der eigenen Haustür noch keinen. Der Rückstand bei der Verbreitung steht damit nicht mehr nur in den Investitionszahlen, sondern in der Wachstumsarithmetik der Prognosen selbst.[102]
> „Dasselbe Institut nennt für die Vereinigten Staaten die künstliche Intelligenz als wichtigsten künftigen Wachstumstreiber, in der Prognose für das eigene Land kommt sie nur im Risikoteil als Chance vor."
Die eigentliche europäische Kontroverse muss deshalb dort gesucht werden, wo sie tatsächlich ausgetragen wird, nämlich in den einzelnen DACH-Ländern selbst.
---
## Die eigentliche europäische Kontroverse wird in den einzelnen Ländern geführt, nicht in den Gesamtzahlen der Union
Auf deutschem Boden verdichtet sich zumindest ein Teil des amerikanischen Musters, auch wenn die Ursachenzuschreibung ebenso umstritten bleibt wie in den Vereinigten Staaten selbst. Die deutsche Akademikerarbeitslosenquote kletterte von knapp 3 Prozent im Jahr 2024 auf gut 3 Prozent 2025, erstmals seit 2007 wieder über diese Schwelle, mit rund 335.000 arbeitslosen Akademikern und einem Plus von 16 Prozent gegenüber dem Vorjahr. Die Bundesagentur für Arbeit selbst nennt dafür aber nicht künstliche Intelligenz, sondern wirtschaftliche Schwäche und den Strukturwandel als Ursache, und ein gutes Fünftel des Anstiegs geht auf Fluchtmigration zurück, während Akademiker weiterhin die niedrigste Arbeitslosenquote aller Qualifikationsgruppen halten.[96] Die Jobbörse StepStone (stepstone.de) meldet für das erste Quartal 2025 einen Anteil an Einstiegsstellen, der 45 Prozent unter dem Fünfjahresschnitt liegt, ein sogenanntes Junior-Paradox, doch auch diese Zahl ist von der schwachen Konjunktur überlagert und lässt sich nicht sauber der Technologie zuschreiben.[103]
Seit Anfang August 2026 lässt sich dieses deutsche Bild auch berufsscharf zeichnen. Der Ingenieurmonitor, den der Verein Deutscher Ingenieure gemeinsam mit dem Institut der deutschen Wirtschaft erstellt, zählt für das vierte Quartal 2025 gut 58.000 Arbeitslose in Ingenieur- und IT-Berufen, den höchsten Stand seit Beginn der Erhebung im Jahr 2011 und ein Plus von 16,7 Prozent gegenüber dem Vorjahr, während die Zahl der offenen Stellen um 18,2 Prozent auf knapp 97.000 zurückging.[104] Aufschlussreich ist, wie ungleich dieser Rückgang verteilt ist, denn er folgt demselben Muster wie in den Vereinigten Staaten: In den Informatikberufen fiel ein Drittel der Ausschreibungen weg, in den Bauingenieurberufen nicht einmal 4 Prozent, und am stärksten schrumpfte das Angebot in Bayern und Baden-Württemberg, wo der angeschlagene Fahrzeugbau die Nachfrage prägt.[104] Die Bundesagentur für Arbeit meldet für die IT-Berufe dasselbe Bild, der Bestand gemeldeter Stellen sank 2025 um 22 Prozent auf rund 13.000, die berufsspezifische Arbeitslosenquote stieg von 3,7 auf 4,5 Prozent.[105] Beide Institutionen deuten ihre eigenen Zahlen trotzdem ausdrücklich als Folge der Konjunktur und nicht der Technologie. Der VDI warnt davor, aus der Flaute einen sinkenden Bedarf an technischen Fachkräften abzuleiten, und die Bundesagentur verweist darauf, dass die Beschäftigung weiter wächst, auf 1,15 Millionen sozialversicherungspflichtig beschäftigte IKT-Fachleute im Jahr 2025, 2 Prozent mehr als im Jahr zuvor. Was ihre Vorstandsvorsitzende Andrea Nahles daneben beschreibt, ist allerdings kein bloßes Konjunkturtal, sondern ein Strukturwandel aus steigendem Anforderungsniveau, mehr Akademisierung und mehr Spezialisierung, in dem Experten mit einer Arbeitslosenquote von 3,5 Prozent kaum betroffen sind.[105] Die Nachfrage verschwindet in dieser Lesart nicht, sie verschiebt sich zu den Spezialisierten.
Wie die deutschen Unternehmen selbst auf die Fragen antworten, die auch den amerikanischen gestellt wurden, zeigt seit dem Frühjahr 2026 erstmals eine Befragung, an der mehrere Notenbanken beteiligt sind. Für das Arbeitspapier „Firm Data on AI" von Yotzov, Barrero, Bloom, Bunn, Davis und anderen, mit dem das erste Kapitel bereits die Erwartungslücke zwischen Führung und Belegschaft belegt, hat die Deutsche Bundesbank im Januar 2026 in ihrem Online-Panel Firmen dieselben Fragen im selben Wortlaut gestellt wie die Federal Reserve Bank of Atlanta, die Bank of England und eine australische Universität in ihren Panels. Rund 2.500 Unternehmen haben geantwortet. Das deutsche Bild ist durchgehend gedämpft. 65 Prozent der deutschen Firmen nutzen mindestens eine KI-Technologie, gegen 78 Prozent in den Vereinigten Staaten. 95 Prozent melden für die vergangenen drei Jahre keine Wirkung auf ihre Beschäftigung, gegen 89 Prozent dort, und für die kommenden drei Jahre erwarten die deutschen Firmen eine deutlich kleinere Veränderung ihrer Beschäftigung als die amerikanischen, die im Mittel mit minus 1,2 Prozent rechnen, was die Autoren vorsichtig mit dem stärker regulierten deutschen Arbeitsmarkt in Verbindung bringen. Bis hierher stützt die Messung das Argument des folgenden Kapitels, wonach der Kündigungsschutz denselben Schock in Europa leiser ankommen lässt. Dieselbe Dämpfung hat aber eine unbequeme Kehrseite. Bei der Produktivität erwarten die deutschen Firmen für die kommenden drei Jahre einen Zuwachs von 0,9 Prozent, die amerikanischen von 2,3 Prozent und die britischen von 1,9 Prozent, und 91 Prozent der deutschen Unternehmen haben bislang gar keine Produktivitätswirkung festgestellt. Was auf der Beschäftigungsseite als Schutz erscheint, erscheint auf der Produktivitätsseite als Rückstand, und genau dieser Rückstand rührt an den Umkehrschluss des Demografie-Kapitels, wonach die Technologie den Abgang der geburtenstarken Jahrgänge ausgleichen kann, wenn jetzt beherzt investiert wird. Der Report lässt diese Spannung stehen, statt sie zu glätten. Die Erwartungslücke zwischen 0,9 und 2,3 Prozent ist die vielleicht präziseste Einzelzahl für die Verzögerungshypothese des vorigen Kapitels, und sie sagt nichts darüber, ob der Rückstand aufholbar ist, sondern nur, dass die Unternehmen selbst bereits mit ihm rechnen.[54]
Den methodisch überzeugendsten und zugleich europäischsten Beleg liefert die Schweiz. Die KOF-Studie der ETH Zürich baut die Stanford-Methode explizit nach und zeigt, dass die Zahl der registrierten Arbeitssuchenden in hoch KI-exponierten Berufen bis zu 27 Prozent stärker gestiegen ist als in niedrig exponierten Berufen, ein Effekt, der besonders für jüngere Arbeitssuchende gilt. Für die unter 50-Jährigen in hoch exponierten Berufen hat sich die Zahl der Arbeitslosen seit dem Herbst 2022 sogar mehr als verdoppelt.[106] Dem widerspricht auf den ersten Blick die Europäische Zentralbank, deren Auswertungen der eigenen Unternehmensbefragung SAFE aus zwei Befragungswellen des Jahres 2025 keinen signifikanten Unterschied in der Einstellungsbilanz zwischen KI-nutzenden und nicht nutzenden Firmen erkennen lassen, mit einer leichten Tendenz sogar zum Einstellen statt zum Entlassen.[107] Beide Untersuchungen sind methodisch seriös, und beide messen schlicht auf unterschiedlichen Ebenen, die Schweizer Studie bei den Berufen der Arbeitssuchenden, die Zentralbank bei der Einstellungsbilanz der Firmen im gesamten Euroraum.
> „In hoch KI-exponierten Berufen wuchs die Zahl der Arbeitslosen in der Schweiz um bis zu 27 Prozent schneller als in wenig exponierten Berufen, bei den unter 50-Jährigen hat sie sich seit Herbst 2022 mehr als verdoppelt."
Wie schnell diese Kontroverse in die Verwechslung von Exposition und Ersetzung zurückfällt, vor der die Untersuchungen zur Karrierelücke warnen, ließ sich Anfang August 2026 ebenfalls in der Schweiz beobachten. Der Tages-Anzeiger legte den Dynamic AI Occupational Exposure Index, ein jährlich fortgeschriebenes Expositionsmaß eines Forscherteams um das AI-Econ Lab der Universität Örebro, dem auch der Kieler Ökonom Holger Görg angehört,[108] über 391 Berufe des Schweizer Arbeitsmarkts und fragte in der Schlagzeile, wie ersetzbar der eigene Beruf durch künstliche Intelligenz sei und welche Berufe am stärksten gefährdet seien.[109] Genau das beantwortet der Index nach dem ausdrücklichen Hinweis seiner Autoren nicht, denn er erfasst die potenzielle Anwendbarkeit der Technologie auf die Inhalte eines Berufs und lässt offen, ob daraus Verdrängung, Ergänzung oder gar nichts folgt, weil das von der Verbreitung der Werkzeuge, von ergänzenden Fähigkeiten und von den Entscheidungen der Organisationen abhängt. Aufschlussreich wird der Fall dadurch, dass dasselbe Team mit Registerdaten nahezu aller Firmen aus Dänemark, Portugal und Schweden über zwei Jahrzehnte geprüft hat, welche Folgen die mit seinem eigenen Maß gemessene Exposition für die Beschäftigung hat. Diese Auswertung ergab nach der Zusammenfassung der Autoren keinen systematischen Effekt auf die Gesamtbeschäftigung stärker exponierter Firmen, wohl aber eine konsistente Höherqualifizierung, denn die Nachfrage verschiebt sich von einfacher Sachbearbeitung zu hoch qualifizierter Angestelltenarbeit.[108] Für die europäische Kontroverse ist das in zweifacher Hinsicht aufschlussreich. Neben der Einstellungsbilanz der Zentralbank liegt damit eine zweite firmenbasierte europäische Messung vor, die keinen Mengeneffekt, sondern einen Struktureffekt ausweist, und der Schweizer Fall führt zugleich vor, wie aus einem Maß für Möglichkeiten eine Schlagzeile über Gefährdung wird. Der Artikel selbst räumt zwar ein, dass ein hoher Indexwert kein großes Entlassungsrisiko bedeutet, doch was bleibt, ist die Rangliste der Gefährdung, nicht die Einschränkung.
Zusammen mit dem bereits erwähnten österreichischen Befund, wonach unter den als Daten- oder KI-Stellen ausgeschriebenen offenen Positionen nur ein sehr kleiner Anteil auf Berufseinsteiger entfällt[47], ergibt sich damit tatsächlich eine eigene, auf europäischem Boden geführte Version des amerikanischen Streits zwischen Stanford und der amerikanischen Notenbank, nicht dessen bloße Kopie. Sie ist am klarsten in der Schweiz sichtbar, in Deutschland eher angedeutet als bewiesen, und in der offiziellen EU-Statistik weiterhin nicht angekommen.
---
## Der Kündigungsschutz ist der strukturelle Grund, warum derselbe Schock in Europa leiser ankommt
Warum dieselbe Technologie in Europa deutlich leiser ankommt als in der amerikanischen Kündigungswelle des ersten Kapitels, erklärt sich nicht aus der Technologie selbst, sondern aus einer strukturellen Eigenschaft des Kontinents, dem Kündigungsschutz. Der einschlägige OECD-Index existiert zwar in mehreren, teils widersprüchlichen Fassungen, doch das Grundbild ist über alle Versionen hinweg stabil. In der klassischen Fassung sind die USA mit einem Indexwert nahe null das Schlusslicht aller 42 erfassten Länder, während Deutschland bei rund 2,5, Österreich bei rund 2,25 und die Schweiz bei rund 1,5 liegen, gegenüber einem OECD-Durchschnitt von etwas über zwei. In nahezu allen amerikanischen Bundesstaaten kann ein Arbeitsverhältnis jederzeit und ohne gesetzliche Abfindung beendet werden, während in Deutschland das Kündigungsschutzgesetz nach einem halben Jahr Betriebszugehörigkeit in Betrieben mit mehr als zehn Beschäftigten greift, mit gestaffelten Kündigungsfristen und einem faktischen Abfindungsstandard, und in Österreich gestaffelte Fristen sowie das laufend angesparte System der Abfertigung neu bestehen.[110]
Der überzeugendste empirische Beleg für den anderen europäischen Anpassungspfad ist die Kurzarbeit. In Deutschland erreichte sie im April 2020 mit rund 6 Millionen Beschäftigten ihren Höchststand, in Österreich rund eine Million Menschen, knapp 30 Prozent aller aktiv Beschäftigten des Landes.[111] Das Ergebnis war, dass Europa die Arbeitslosigkeit in einer der schärfsten Wirtschaftskrisen der jüngeren Geschichte niedrig hielt, während sie in den Vereinigten Staaten kurzzeitig zweistellig nach oben schoss. Dieselbe Logik gilt für jeden technologischen Schock, den eine KI auslösen könnte. Wo amerikanische Firmen schnell entlassen und ebenso schnell wieder einstellen, hält Europa Personal über Kurzarbeit und ist rechtlich stärker zur Umschulung gedrängt als zur Trennung, was sich mit einer älteren, vorsichtig zu zitierenden McKinsey-Befragung von Anfang 2018 deckt, wonach 94 Prozent der befragten europäischen gegenüber 62 Prozent der amerikanischen Führungskräfte eher auf Umschulung als auf Neueinstellung setzen, eine Zahl aus der Zeit vor der generativen KI, die aber dasselbe strukturelle Muster zeigt.[112] Wie dieser Weg im Betrieb aussieht, zeigt der größte europäische Möbelhändler. Dass derselbe Konzern im März 2026 rund 800 Bürostellen strich und die Franchisegeberin Inter IKEA (inter.ikea.com) im Mai weitere 850, beide Male ohne jeden Bezug auf die Technologie, gehört zum selben Bild, denn geschützt wurde die Kundenseite, ausgedünnt die Verwaltungsebene. [113] Genau dieser Unterschied ist der Grund, warum die im ersten Kapitel beschriebene Kündigungswelle in der DACH-Region bislang gedämpfter verläuft als in den Vereinigten Staaten, nicht weil die europäischen Unternehmen zurückhaltender wären, sondern weil ihnen das schnelle Kündigen rechtlich und finanziell schwerer gemacht wird.
Bemerkenswert ist, dass diese Lesart inzwischen von außen bestätigt wird, und zwar aus der Richtung, aus der man sie am wenigsten erwartet. Der amerikanische Unternehmer Dan Shapiro, Chef des Lasergeräteherstellers Glowforge, hat Ende Juli 2026 die Entscheidung, vor der Unternehmen mit produktiveren Beschäftigten stehen, auf drei Möglichkeiten gebracht. Die erste ist, nichts zu tun, die zweite, dieselben Ziele mit der halben Belegschaft zu verfolgen und die Ersparnis einzustreichen, und die dritte, die Belegschaft zu behalten und stattdessen die Leistung zu verdoppeln. Und er hält ausdrücklich fest, dass Länder mit striktem Kündigungsschutz die zweite Möglichkeit gar nicht haben, weshalb ihnen nur die dritte bleibt. Was in der europäischen Diskussion als Standortnachteil gilt, erscheint aus amerikanischer Sicht also als erzwungener Vorteil, und die Frage, die Shapiro daran anschließt, ist die eigentlich interessante: Wer gewinnt, wenn ein halbiertes Unternehmen gegen ein verdoppeltes antritt?[114]
Man sollte den Gedanken allerdings nicht mit seiner Prämisse verwechseln. Shapiro rechnet mit einer Verdoppelung der individuellen Wirksamkeit, und dafür gibt es keinen Beleg, der diesen Namen verdient. Die beiden Feldexperimente, die das Kapitel zum langen Umbau namentlich anführt, kommen auf ein Viertel bis zwei Fünftel Zeitersparnis bei einzelnen, klar umrissenen Aufgaben, und sie zeigen im selben Versuch, dass die Trefferquote außerhalb dieses Bereichs um 19 Prozentpunkte sinkt statt steigt.[9][61] Was bleibt, ist nicht die Zahl, sondern die Weiche. Sie steht in Europa anders als in den Vereinigten Staaten, und gestellt hat sie dort nicht die Einsicht, sondern das Recht.
---
## Der demografische Druck dreht die ganze Ausgangsfrage um
Während die amerikanische Diskussion von einem Arbeitsmarkt ausgeht, der zu viele Beschäftigte hat, die eine Maschine überflüssig machen könnte, steht Europa vor der entgegengesetzten Ausgangslage, und diese Umkehrung ist der eigentliche Grund, warum die Jobkiller-Story hier auf schwächeren Beinen steht als anderswo. Deutschland verliert nach der jüngsten Mitteilung des Statistischen Bundesamts vom Juni 2026 bis zum Jahr 2040 rund 13,3 Millionen Erwerbspersonen an das gesetzliche Renteneintrittsalter von 67 Jahren, das sind 30 Prozent aller Erwerbspersonen, die dem Arbeitsmarkt im Jahr zuvor zur Verfügung standen, und die jüngeren Jahrgänge können diesen Verlust rein zahlenmäßig nicht ausgleichen. Allein die beiden ältesten, kurz vor der Rente stehenden Jahrgangsgruppen umfassen rund 10 Millionen Erwerbspersonen, mehr als die gesamte Gruppe der 25- bis 34-Jährigen, und der Anteil der über 55-Jährigen an allen Erwerbspersonen ist von etwas über einem Fünftel im Jahr 2015 auf mittlerweile mehr als ein Viertel gestiegen. [17] Der Alterslastquotient steigt seit Jahren in der gesamten Europäischen Union, doch die spürbarste Wirkung entfaltet sich dort, wo wie in Deutschland eine einzelne, außergewöhnlich geburtenstarke Generation binnen weniger Jahre geschlossen abtritt. Dass dieser Rückgang keine ferne Projektion ist, sondern bereits begonnen hat, hält das Institut für Arbeitsmarkt- und Berufsforschung der Bundesagentur für Arbeit in seiner zuletzt im Frühjahr 2026 bestätigten Arbeitsmarktprognose fest: 2026 sinkt das deutsche Erwerbspersonenpotenzial zum ersten Mal überhaupt, um rund 40.000 Personen, weil das Ausscheiden der geburtenstarken Jahrgänge bei nachlassender Zuwanderung erstmals nicht mehr ausgeglichen wird. [115]
> „Bis 2040 verliert Deutschland 30 Prozent seiner Erwerbspersonen an die Rente, und die jüngeren Jahrgänge können diesen Verlust zahlenmäßig nicht ausgleichen."
Österreich zeigt dasselbe Bild in kleinerem Maßstab. Nach einer Studie des Beratungsunternehmens Prognos (prognos.com) vom Dezember 2025 sinkt die Zahl der Menschen im erwerbsfähigen Alter von rund 5,5 Millionen im Jahr 2023 auf rund 5,3 Millionen im Jahr 2035, und wenn die Wirtschaft in diesem Zeitraum wie erwartet weiterwächst, fehlen bis dahin rund 246.000 Arbeitskräfte, eine Größenordnung, die auch eine Untersuchung des Wiener Instituts für Internationale Wirtschaftsvergleiche im Auftrag des Wirtschaftsministeriums stützt, wonach allein zwischen 2022 und 2027 rund 540.000 Arbeitskräfte über die Pensionierung der geburtenstarken Jahrgänge aus dem Erwerbsleben ausscheiden. [116][117] Wie unmittelbar dieser Mechanismus bereits das laufende Jahrzehnt prägt, zeigt die Mittelfristprognose des Instituts für Höhere Studien vom Juli 2026. Sie erwartet, dass die österreichische Arbeitslosenquote von 7,5 Prozent im laufenden Jahr bis 2030 auf 6,4 Prozent sinkt, obwohl die Wirtschaft im selben Zeitraum nur um durchschnittlich ein Prozent pro Jahr wächst, weil das Arbeitskräfteangebot demografisch bedingt kaum noch zunimmt und die Bevölkerung im erwerbsfähigen Alter nach der zugrunde liegenden Projektion von Statistik Austria überhaupt nur noch durch Zuwanderung wächst, ohne Zuwanderung würde sie bis 2030 schrumpfen. Die Fachkräfteengpässe, hält das Institut ausdrücklich fest, werden sich weiter verstärken. Der österreichische Arbeitsmarkt entspannt sich in dieser Prognose also nicht, weil genügend neue Stellen entstünden, sondern weil die Menschen knapp werden, die sie besetzen könnten. [102] Auch die Schweiz altert in sämtlichen Bevölkerungsszenarien des Bundesamts für Statistik, und im vorsichtigeren dieser Szenarien könnte die inländische Erwerbsbevölkerung ab den frühen 2050er Jahren nicht mehr ausreichen, um die Nachfrage der Wirtschaft zu decken. Eine Analyse des Wirtschaftsdachverbands economiesuisse, als Verbandsstimme entsprechend einzuordnen, beziffert die Lücke auf rund 431.000 fehlende Arbeitskräfte bis 2040, das sind rund 8 Prozent der heute Erwerbstätigen, mit dem Scheitelpunkt der Pensionierungswelle im Jahr 2029, wenn erstmals über 30.000 Menschen mehr das Rentenalter erreichen, als junge nachrücken. [118] Seit dem Frühjahr 2026 steht hinter dieser Diagnose auch der Bund selbst, denn ein auf eine Studie des Staatssekretariats für Wirtschaft gestützter und vom Bundesrat im April verabschiedeter Bericht nennt die demografische Alterung als Hauptursache des Schweizer Arbeitskräftemangels. [119] Zum Vergleich, in den Vereinigten Staaten wächst die Bevölkerung nach den Projektionen der eigenen Statistikbehörde bis weit in die 2030er Jahre hinein weiter, weil Zuwanderung dort zunehmend zum tragenden Wachstumsmotor wird und den Anteil der Menschen im erwerbsfähigen Alter stabil hält, während Deutschland, Österreich und die Schweiz strukturell auf eine schrumpfende Erwerbsbevölkerung zusteuern, ohne dass eine vergleichbare Zuwanderung dies zuverlässig ausgliche. [120] Bundesbankpräsident Joachim Nagel hat in seiner bereits erwähnten Rede genau diese Möglichkeit genannt, den demografischen Druck abzufedern, denn KI-bedingte Produktivitätsgewinne könnten die Verluste aus dem Rückgang der erwerbsfähigen Bevölkerung ausgleichen oder zumindest mildern. [66] Damit stellt sich die Ausgangsfrage der Jobkiller-Story genau umgekehrt, denn das eigentliche Problem einer Wirtschaft, der in den kommenden anderthalb Jahrzehnten fast ein Drittel ihrer heutigen Erwerbspersonen verloren geht, ist ein Zuwenig an Arbeitskräften, nicht ein Zuviel.
**[Abbildung 6: Der Abgang der geburtenstarken Jahrgänge trifft alle drei Länder.]**
> „Während Deutschland, Österreich und die Schweiz auf eine schrumpfende Erwerbsbevölkerung zusteuern, wächst die amerikanische bis weit in die 2030er Jahre weiter."
Diese Länderzahlen sagen noch nichts darüber, wen der Abgang zuerst trifft, und genau dort wird das Bild interessant, weil es der verbreiteten Vorstellung widerspricht. Die amtlichen Altersstrukturen der drei Länder ordnen sich zu einer erstaunlich stabilen Rangfolge. An der Spitze steht überall die öffentliche Verwaltung, in Deutschland mit 29 Prozent Beschäftigten über 55 gegenüber 23 Prozent in der Gesamtwirtschaft, in Österreich mit 24 Prozent und mit knapp 150.000 Betroffenen zugleich dem größten absoluten Bestand aller Wirtschaftszweige, in der Schweiz mit 22 gegenüber 19 Prozent. Dahinter folgen Verkehr und Lagerei sowie die Ver- und Entsorgungswirtschaft. Am unteren Ende steht in allen drei Ländern dieselbe Gruppe, nämlich Information und Kommunikation, das Gastgewerbe und die unternehmensnahen Dienstleistungen, und der Abstand ist beträchtlich, denn die österreichischen Informationstechnologie-Dienstleistungen kommen auf 10 Prozent und damit auf weniger als die Hälfte des Spitzenwerts. Das Gesundheits- und Sozialwesen liegt entgegen der Erwartung nicht an der Spitze, sondern in Deutschland exakt im Durchschnitt, denn seine Lücke entsteht nicht aus dem Abgang, sondern aus dem gleichzeitigen Zusatzbedarf, der in den Projektionen beider Länder den mit Abstand größten Beschäftigungszuwachs ausmacht. [121][122][123]
> „An der Spitze steht überall die öffentliche Verwaltung, sie verliert durch altersbedingte Abgänge zuerst und am meisten."
Am aufschlussreichsten ist der Bau, weil sich an ihm zeigt, dass die Branchenebene zu grob ist. Das Baugewerbe ist in keinem der drei Länder überdurchschnittlich alt, in Deutschland liegt es mit 21 Prozent unter dem Schnitt, in der Schweiz mit 18 Prozent ebenso, und in Österreich steht der Tiefbau bei den 60-Jährigen und Älteren fast am Ende der gesamten Liste. Geht man eine Ebene tiefer auf die Berufe, kippt das Bild vollständig. Bei der Aufsicht im Hochbau sind 41 Prozent der Beschäftigten 55 Jahre oder älter, im Tiefbau 37, und dort lassen sich nach derselben Auswertung neun von zehn offenen Stellen nicht mehr besetzen. Dasselbe Muster zeigt die Logistik, wo die Fahrberufe bei 40 Prozent und darüber liegen, während der Wirtschaftszweig insgesamt nur mäßig über dem Durchschnitt steht. Nicht die Branchen altern, sondern ihre Führungs- und Aufsichtsebene. Daraus folgt ein Zug des europäischen Bildes, der bislang am wenigsten Beachtung findet. Der demografische Abgang trifft zuerst und am härtesten jene Arbeit, die an Erfahrung, Aufsicht und Ortskenntnis hängt, also Verwaltung, Baustellensteuerung, Fahren, Instandhaltung sowie Ver- und Entsorgung, und er trifft am spätesten jene Arbeit, bei der künstliche Intelligenz als Erstes zum Einsatz kommt. Wo die Menschen wegfallen, reicht die Technologie am wenigsten weit, und wo sie am weitesten reicht, fallen die wenigsten Menschen weg. [121][122][123]
> „Nicht die Branchen altern, sondern vor allem ihre Führungs- und Aufsichtsebenen."
Dass diese Rangfolge auch die Lohnerwartungen der Unternehmen prägt, zeigt eine Umfrage des ifo Instituts vom Juni 2026 von der anderen Seite her, denn die Bauunternehmen erwarten mit 39,0 Prozent bei kurzer und 31,3 Prozent bei langer Berufserfahrung am seltensten, dass der Einsatz künstlicher Intelligenz die Löhne drückt, während es unter den Dienstleistern 53,3 und 44,2 Prozent sind, und umgekehrt erwarten gerade die Baubetriebe am häufigsten steigende Löhne für ihre qualifizierten Kräfte. Wo die Erfahrung knapp wird, trauen die Unternehmen der Technologie am wenigsten zu, sie zu verbilligen. [49]
### Der Blick nach vorn
Gerade an dieser Stelle könnte die künstliche Intelligenz vom vermeintlichen Problem zur Antwort werden. Wenn dem DACH-Raum in den kommenden anderthalb Jahrzehnten Millionen Arbeitskräfte verloren gehen, dann ist eine Technologie, die die Produktivität pro Kopf hebt und Routinearbeit übernimmt, kein Bedrohungsszenario, sondern das wahrscheinlichste Instrument, den Wohlstand einer schrumpfenden Erwerbsbevölkerung zu halten, genau jene dämpfende Wirkung, die die Bundesbank beschreibt. [66]
> „Wenn dem DACH-Raum Millionen Arbeitskräfte verloren gehen, ist die Technologie kein Bedrohungsszenario, sondern das wahrscheinlichste Instrument, die Produktivität pro Kopf zu heben und den Wohlstand trotz schrumpfender Erwerbsbevölkerung zu halten."
Diese Hoffnung ist freilich an eine Bedingung geknüpft, und sie ist nicht erfüllt, solange die Produktivitätswirkung so klein bleibt, wie die vorsichtigsten Rechnungen sie ausweisen. Der Ökonom Daron Acemoglu kommt in seiner Makroanalyse auf einen Zuwachs der totalen Faktorproduktivität von 0,53 bis 0,66 Prozent über zehn Jahre, also rund 0,06 Prozent im Jahr, und das Budgetmodell der Universität Pennsylvania beziffert den Beitrag der künstlichen Intelligenz zum amerikanischen Produktivitätswachstum für das Jahr 2025 auf 0,01 Prozentpunkte. [29] Den Verlust eines erheblichen Teils der Erwerbspersonen gleichen solche Größenordnungen nicht aus. Die europäische Rechnung geht also nur auf, wenn die Technologie das obere Ende der veröffentlichten Schätzungen erreicht, und sie ist damit weniger eine Prognose als eine Aufgabe.
Das Zeitfenster dafür ist allerdings kein bequemes. Die geburtenstarken Jahrgänge, die bis 2040 abtreten, tragen einen großen Teil des Erfahrungswissens dieser Volkswirtschaften, und nur solange sie noch im Betrieb sind, kann dieses Wissen in Abläufe, Systeme und digitale Teammitglieder übergehen, statt mit ihnen zu gehen. Wer beherzt investiert, solange die Erfahrenen noch da sind, verwandelt den demografischen Druck in den stärksten Investitionsgrund, den es für diese Technologie in Europa gibt. Wer wartet, bis die Lücke da ist, wird sie mit keiner Maschine mehr füllen, weil dann niemand mehr da ist, der ihr beibringen kann, was zu tun ist.
> „Die geburtenstarken Jahrgänge, die bis 2040 abtreten, tragen einen großen Teil des Erfahrungswissens dieser Volkswirtschaften, und nur solange sie noch im Betrieb sind, kann dieses Wissen übergehen."
---
## Europäische Souveränität ist ein strategischer Hebel, kein Compliance-Argument
Aus derselben Rede Nagels, der Grundsatzrede „Already Here, Not Yet Everywhere" vom April 2026, folgt der letzte und am wenigsten diskutierte Baustein des europäischen Bildes, dass die vielbeschworene europäische Souveränität in der künstlichen Intelligenz kein Compliance-Argument ist, sondern ein echter strategischer Hebel. Für das Jahr 2024 zählt der Stanford AI Index 40 bedeutende amerikanische KI-Modelle gegenüber 15 chinesischen und lediglich drei europäischen, und die Kapitallücke dahinter hat sich seither weiter geöffnet. Nach der Ausgabe 2026 desselben Index erreichten die privaten KI-Investitionen in den Vereinigten Staaten im Jahr 2025 rund 286 Milliarden Dollar, gegenüber rund 12 Milliarden in China und rund 21 Milliarden in ganz Europa. Diese Zahlen erfassen dabei nur das private Beteiligungskapital in KI-Firmen, also Wagniskapital und Beteiligungen, und noch gar nicht die Infrastrukturausgaben der großen Cloud-Konzerne, die mit geschätzten 725 bis 805 Milliarden Dollar allein für 2026 in einer eigenen Größenordnung liegen und ganz überwiegend von amerikanischen Konzernen getragen werden, wie das Tech-Kapitel dieses Reports zeigt. Der chinesische Staat wiederum lenkt über seine staatlichen Fonds Kapital in einer Größenordnung, die diese private Statistik gar nicht erfasst, kumuliert geschätzte 184 Milliarden Dollar seit der Jahrtausendwende. [99] Wie sich diese Lücke im Innern eines einzelnen Unternehmens anfühlt, führt der im ersten Kapitel beschriebene Fall SAP vor, denn Europas größter Softwarekonzern finanziert seine KI-Offensive nicht aus der Stärke eines Kapitalmarkts, sondern aus den Einstellungs-, Reise- und Lieferantenbudgets des laufenden Betriebs. Diese Zahlen sind für Europa auf den ersten Blick ernüchternd, doch Nagel selbst zieht daraus ausdrücklich nicht den Schluss, Europa müsse kapitulieren, sondern kommt zu der Einschätzung, dass das industrielle KI-Rennen offen sei, weil die europäische und besonders die deutsche Industrie auf einem Reichtum an Daten für das Training hochspezialisierter Modelle aufbauen könne, mit Anbietern wie Mistral AI (mistral.ai), Black Forest Labs (bfl.ai) oder Aleph Alpha (aleph-alpha.com) und einer ganzen Reihe kaum bekannter, aber international führender Hidden Champions im Hintergrund. [66]
> „SAP, Europas größter Softwarekonzern, finanziert seine KI-Offensive nicht aus der Stärke des Kapitalmarkts, sondern durch Sparmaßnahmen im laufenden Betrieb."
Der Unterschied zur üblichen europäischen Diskussion ist bezeichnend. Wo Souveränität in der Öffentlichkeit meist als Frage von Datenschutz und Regulierung verhandelt wird, argumentiert Nagel wirtschaftlich, nämlich dass Europas eigentlicher Rohstoff nicht die schiere Rechenleistung ist, in der es strukturell zurückliegt, sondern die Tiefe und Qualität industrieller Daten, in denen der Kontinent gerade wegen seiner alten, breiten industriellen Basis einen echten Vorsprung hat, wenn er ihn zu nutzen weiß. Selbst die von Nagel zitierte Produktivitätsschätzung, wonach eine rasche Verbreitung von KI den G7-Staaten über das kommende Jahrzehnt zwischen acht Zehntel und einem Komma drei Prozentpunkten zusätzliches jährliches Produktivitätswachstum bringen könnte, stammt aus dem günstigsten von drei Szenarien der zugrunde liegenden OECD-Studie, deren volle Bandbreite über alle drei Szenarien hinweg von 0,4 bis 1,3 Prozentpunkten reicht, eine Nuance, die Nagel selektiv unterschlägt. Die Bedingung, unter der die Schätzung überhaupt gilt, deckt sich mit der Diagnose dieses Reports, nämlich dass die Organisationen tatsächlich lernen müssen, mit der Technologie zu arbeiten, statt sie nur einzukaufen. [66]
Wie schwer sich die europäische Politik damit tut, diesen Rohstoff dort zu heben, wo er tatsächlich lagert, zeigt ausgerechnet die Antwort, die Brüssel auf die eigene Wettbewerbsschwäche gefunden hat. Der im Juli 2025 vorgeschlagene Finanzrahmen der Union für die Jahre 2028 bis 2034, mit knapp 2 Billionen Euro der größte ihrer Geschichte, verschiebt die Gewichte deutlich in Richtung Wettbewerbsfähigkeit, Verteidigung und strategischer Autonomie, allein der neue Wettbewerbsfähigkeitsfonds bündelt zusammen mit dem verdoppelten Forschungsprogramm Horizon Europe rund 409 Milliarden Euro, davon gut 51 Milliarden für die digitale Führungsrolle. Die bereits erwähnte Arbeit „A Union under siege, or a Union besieging itself?" der Regionalökonomen Andrés Rodríguez-Pose und Federico Bartalucci, die als engagierte Fürsprecher der europäischen Kohäsionspolitik schreiben und deren Stoßrichtung man entsprechend mitlesen muss, weist allerdings nach, dass diese sektoral und national gedachte Architektur ihr Kapital mit hoher Wahrscheinlichkeit dorthin lenkt, wo die Innovationssysteme bereits verdichtet sind, nach Île-de-France, Oberbayern, Stockholm oder Hamburg, und dass dieselben wenigen Metropolregionen zugleich die Verteidigungs- und die Autonomiegewinne auf sich vereinen, während die Kohäsionspolitik, das einzige Instrument, das bisher die übrigen Regionen erreichte, in nationale Pläne aufgelöst wird. Sollte der Vorschlag so beschlossen werden, verstärkt das europäische Budget der kommenden Jahre also genau jene Spaltung zwischen Hauptstadtkorridoren und Provinz, die die Regionalforschung seit zwei Jahrzehnten als das eigentliche europäische Muster beschreibt. [100]
Für die Frage dieses Reports liegt darin eine doppelte Pointe. Die industrielle Datentiefe, auf der Nagels Zuversicht beruht, sitzt gerade nicht in den Metropolkorridoren, die der vorgeschlagene Finanzrahmen begünstigt, sondern in den mittelständisch geprägten Industrieregionen dazwischen, dort, wo die Hidden Champions ihre Werke und ihre Prozessdaten haben und wo zugleich kaum eines der neuen Förderfenster hinreicht. Wenn das europäische Kapital der kommenden Jahre aber vor allem dorthin fließt, wo bereits starke Ökosysteme stehen, dann wird die Verbindung von künstlicher Intelligenz und eigener Fachexpertise in diesen Regionen nicht als Programm ankommen, weder aus Brüssel noch aus der jeweiligen Hauptstadt. Der Aufbau dieser Fähigkeit bleibt damit, noch einmal verschärft, eine Aufgabe des einzelnen Unternehmens, und die Souveränität, von der die europäische Diskussion spricht, entscheidet sich weniger in den Förderarchitekturen als in der Frage, ob die Unternehmen der industriellen Mitte ihren Datenvorsprung selbst in produktive Praxis überführen.
Neben Kapital und Ausbildung öffnet sich derzeit eine dritte Achse der Souveränitätsfrage, die Governance, also die Frage, wer die Regeln schreibt, an denen die kommenden Modelle gemessen werden. Wie weit diese Regeln von Europa entfernt entstehen, zeigt ein Vorschlag, den Demis Hassabis, Nobelpreisträger und der prominenteste in Europa geborene Kopf der KI-Spitzenforschung, im Juli 2026 öffentlich gemacht hat, damals noch als Chef von Google DeepMind, seit August 2026 als Chefwissenschaftler des Mutterkonzerns Alphabet und Verwaltungsratsvorsitzender von Google DeepMind, zu lesen als Positionierung eines führenden Marktakteurs in eigener Sache, nicht als neutrale Analyse. Er entwirft nach dem Vorbild der amerikanischen Finanzaufsicht FINRA eine überwiegend von der Industrie finanzierte Prüfstelle, die die leistungsfähigsten KI-Modelle vor der Veröffentlichung auf gefährliche Fähigkeiten prüft, deren Prüfung später zur Bedingung für den Zugang zum amerikanischen Markt werden soll, ausdrücklich unabhängig vom Herkunftsland des Modells, und die im Ernstfall eine koordinierte Verlangsamung der Entwicklung anstoßen könnte. Sollte sich dieser Weg durchsetzen, entstünden die verbindlichen Maßstäbe der KI-Entwicklung in einer amerikanisch geführten, industriegetragenen Einrichtung, und Europa stünde auch bei dieser dritten Frage seiner Souveränität nur am Rand, so wie schon beim Kapital und bei der Ausbildung. [124]
Auf die Frage, wie tragfähig eine solche Selbstaufsicht der Branche wäre, gibt es seit Anfang Juli 2026 eine unabhängige Antwort, wenn auch von einer Organisation, die selbst Partei ergreift. Das Future of Life Institute, eine 2014 gegründete amerikanische Organisation, die für eine strenge Regulierung und Verlangsamung der KI-Entwicklung eintritt, 2023 den Aufruf zu einer Entwicklungspause organisierte und ihr Vermögen überwiegend einer Spende des Ethereum-Gründers Vitalik Buterin verdankt, ließ für die Sommerausgabe seines AI Safety Index ein siebenköpfiges Expertenpanel neun führende Modellanbieter benoten, und das Urteil fällt ernüchternd aus. Kein einziger Anbieter kommt über die Note C+ hinaus, was im amerikanischen Notensystem einem knappen Befriedigend entspricht, also etwa einer Drei nach dem hierzulande üblichen Schema, die führenden Anbieter haben ihre früheren Zusagen, bei Erreichen roter Linien zu pausieren, abgeschwächt oder faktisch aufgehoben, und ausgerechnet bei Google DeepMind weist das Panel auf die Lücke zwischen der beruhigenden öffentlichen Kommunikation der Führung und dem politischen Verhalten des Konzerns hin. Der Schluss des Panels lautet, dass die Glaubwürdigkeit der Sicherheitsvorkehrungen bei den leistungsfähigsten Modellen nicht mehr auf Selbstregulierung ruhen kann, sondern externe Verifikation braucht, und das im selben Monat, in dem Hassabis eine industriefinanzierte Selbstaufsicht vorschlägt. Für Europa hält der Index eine eigene Pointe bereit, die das Panel selbst als europäische Dissonanz bezeichnet. Während die Union bei der KI-Sicherheitsregulierung weltweit führt, landet mit Mistral das wichtigste europäische KI-Unternehmen auf dem letzten Platz aller neun geprüften Anbieter, wobei Mistral der Bewertungslogik öffentlich widersprochen hat. Die Noten sind gemittelte Expertenurteile auf Basis öffentlicher Informationen, keine Audits, doch der Befund passt zur Diagnose dieses Kapitels, denn auch die Fähigkeit, sichere Modelle zu bauen, erweist sich hier als Leistung der Organisation, nicht als Ergebnis der Regulierung, die sie umgibt. [125]
Wie tief die europäische Lücke tatsächlich reicht, zeigt der Blick auf die Hochschulen, und er verschiebt zugleich das gewohnte Bild vom Dreieck der KI-Mächte. In der universitären Forschung ist China den Vereinigten Staaten inzwischen mindestens ebenbürtig, es führt nach dem Stanford AI Index bei den KI-Publikationen mit gut 23 Prozent Weltanteil, bei den Zitationen mit knapp 23 Prozent und bei den Patenterteilungen mit fast 70 Prozent, und nach einer Fortune-Auswertung vom November 2025 hat die Pekinger Tsinghua-Universität mehr der 100 meistzitierten KI-Arbeiten hervorgebracht als jede andere Hochschule der Welt. Die amerikanische Führung bei den Spitzenmodellen beruht dagegen nicht auf dem eigenen Nachwuchs, sondern auf Zuwanderung. Nach dem Global AI Talent Tracker von MacroPolo arbeiten 59 Prozent der weltweiten Spitzenforscher an amerikanischen Institutionen, doch der größte Teil von ihnen wurde anderswo ausgebildet, allen voran in China, wo 38 Prozent der Top-Forscher ihren ersten Abschluss erwarben und nur 11 Prozent im Land geblieben sind. Europas Position in diesem Dreieck ist widersprüchlich. Seine Universitäten sind nicht das Problem, ihr Anteil an den weltweit zitierten KI-Arbeiten liegt mit knapp 21 Prozent sogar vor den amerikanischen 13 Prozent, doch der Kontinent verliert die Ausgebildeten anschließend an die amerikanische Industrie, die für vergleichbare Rollen nach Branchenberichten 30 bis 70 Prozent höhere Gehälter zahlt, und setzt seine Forschung kaum in eigene Modelle und Firmen um. [126] Das europäische Defizit beginnt also nicht im Hörsaal, sondern dahinter, beim Halten der Menschen und beim Verwerten des Wissens, und es ist damit dieselbe Capability-Frage, die dieser Report auf der Ebene der Unternehmen diagnostiziert, nur eine Ebene höher. Wie weit Europa in der amerikanischen Vorstellungswelt bereits an den Rand gerückt ist, zeigen im Übrigen die tonangebenden Zukunftsszenarien der US-Diskussion selbst, denn sowohl das millionenfach gelesene Szenario AI 2027, in dem eine Gruppe um den früheren OpenAI-Forscher Daniel Kokotajlo im April 2025 die Entwicklung bis zu einer übermenschlichen KI Monat für Monat durchspielte, als auch der im Juli 2026 nachgelegte Politikentwurf AI 2040 derselben Autorengruppe denken die kommende Ordnung der künstlichen Intelligenz als rein bilaterales Arrangement zwischen Washington und Peking, in dem Europa nicht einmal mehr als Akteur vorkommt. [127][128]
> „59 Prozent der weltweiten Spitzenforscher arbeiten an amerikanischen Institutionen, der größte Teil von ihnen wurde aber anderswo ausgebildet, allen voran in China mit 38 Prozent."
> „Europas Universitäten stellen knapp 21 Prozent der weltweit zitierten KI-Forschung, mehr als die amerikanischen, doch der Kontinent verliert die Ausgebildeten anschließend an die amerikanische Industrie."
> „Die tonangebenden amerikanischen Zukunftsszenarien denken die kommende Ordnung der künstlichen Intelligenz rein bilateral zwischen Washington und Peking, Europa kommt darin nicht einmal als Akteur vor."
> „Das europäische Defizit beginnt nicht im Hörsaal, sondern dahinter, beim Halten der Menschen und beim Verwerten des Wissens."
Damit schließt sich der Kreis zum demografischen Argument des vorigen Abschnitts. Europa hat weniger Arbeitskräfte, aber mehr industrielle Daten als seine Konkurrenten glauben machen wollen, und welche der beiden Kräfte am Ende überwiegt, entscheidet sich nicht an der Zahl der Modelle, sondern an der Geschwindigkeit, mit der europäische Unternehmen das vorhandene Wissen tatsächlich in produktive Praxis überführen, jene Frage, auf die dieser Report insgesamt hinausläuft.
Neben Kapital, Ausbildung und Governance entscheidet sich die Souveränitätsfrage noch auf einer vierten Achse, der politischen Ökonomie der Akzeptanz, also der Frage, wer in einer Volkswirtschaft ein handfestes Interesse am Gelingen der Technologie hat und wer an ihrem Scheitern. Am schärfsten hat diese Frage bislang Julia Willemyns gestellt, Mitgründerin der britischen Denkfabrik Centre for British Progress und damit selbst eine Stimme des technologiefreundlichen Lagers, in einem Essay vom Juli 2026 über die neuen Maschinenstürmer. Ihre Beobachtung setzt dort an, wo der Vergleich mit den Maschinenstürmern des frühen 19. Jahrhunderts gewöhnlich endet. Die englischen Weber, die 1812 die neuen Webstühle zerstörten, wurden vom Militär niedergeschlagen, weil sie keine politische Stimme hatten und die englischen Eliten geschlossen von der Industrialisierung profitierten. Diesmal trifft die Umwälzung dagegen die Berufe der gut organisierten Mitte, von den Kanzleien über die Redaktionen bis in die Verwaltungen, also Gruppen, die Kammern, Verbände und Wahlmacht hinter sich wissen, und nach der klassischen Logik Mancur Olsons setzen sich in einer Demokratie regelmäßig die gut organisierten Gruppen, auf die sich die Kosten konzentrieren, gegen die vielen durch, auf die sich der Nutzen breit verteilt. Für die Vereinigten Staaten erwartet Willemyns dennoch, dass der Widerstand laut werden und trotzdem verlieren kann, weil Kapitalmärkte, Staatshaushalt und Geopolitik dort inzwischen so eng an den Erfolg der Technologie gekoppelt sind, bis hin zu direkten Bundesbeteiligungen an Schlüsselfirmen, dass die tragenden Interessen des Landes an ihrem Gelingen hängen. Europa fehlt genau dieser Gegenspieler: Es gibt kein europäisches Gegenstück zu den großen Technologiekonzernen und keinen Fiskus, der nennenswert am KI-Überschuss beteiligt wäre und daraus die Verlierer des Umbaus entschädigen könnte, dafür aber eine Entscheidungsarchitektur voller Vetopunkte. Die Kapitallücke, mit der dieses Kapitel begonnen hat, wäre in dieser Lesart nicht nur ein Innovationsproblem, sondern auch ein Akzeptanzproblem, denn wo kein eigener Gewinn entsteht, gibt es nichts zu verteilen, und der politische Raum gehört denen, die etwas zu verlieren haben. [129]
> „Die Niederschlagung der Weber gelang, weil die englischen Eliten geschlossen von der Industrialisierung profitierten. Diesmal trifft die Umwälzung Berufe, die gut organisiert sind und Verbände und Kammern hinter sich haben."
> „Europa fehlt der Gegenspieler: kein großer Technologiekonzern, kein Fiskus, der nennenswert am KI-Überschuss beteiligt wäre, um die Verlierer des Umbaus zu entschädigen."
Was in dieser Rechnung allerdings nicht vorkommt, ist die Demografie, und damit fehlt ihr genau der Faktor, der die politische Ökonomie Europas tatsächlich von der amerikanischen unterscheidet. Ein Arbeitsmarkt, dem nach den Zahlen dieses Teils die Menschen ausgehen, bringt schlicht weniger Verlierer hervor, die zu entschädigen wären, als die Blockadethese unterstellt, und ein Beschäftigungssystem, das rechtlich zur Umschulung drängt statt zur Trennung, verwandelt potenzielle Einspruchsgruppen in Beteiligte des Umbaus. Ob Europa die blockadeanfälligste oder die konsensfähigste politische Ökonomie für diese Technologie besitzt, ist damit keine ausgemachte Sache, sondern hängt daran, ob die Einführung der digitalen Teammitglieder im Betrieb als Antwort auf den Arbeitskräftemangel erlebt wird oder ob der Mangel dafür nur als Vorwand dient. Auch das ist am Ende keine Frage der Regulierung, sondern der Führung in den Unternehmen selbst.
### Der Blick nach vorn
Setzt man die Bausteine dieses Teils zusammen, den fehlenden Einbruch in den Gesamtzahlen der Union, die eigene Kontroverse in den Ländern, den Kündigungsschutz und die Demografie, dann ergibt sich für Europa eine Möglichkeit, die in der importierten amerikanischen Diskussion gar nicht vorkommt. Europa könnte der erste Kontinent werden, der künstliche Intelligenz nicht als Instrument der Verkleinerung einführt, sondern als Antwort auf einen Arbeitsmarkt, dem die Menschen ausgehen. Die Zutaten dafür sind vorhanden: ein Beschäftigungssystem, das rechtlich zur Umschulung drängt statt zur Trennung, eine industrielle Datenbasis, deren Tiefe die Konkurrenz nicht kopieren kann, und ein demografischer Druck, unter dem jede produktivitätssteigernde Technologie nicht mehr als Bedrohungsszenario erscheint, sondern als Entlastungsversprechen.
> „Europa könnte der erste Kontinent werden, der künstliche Intelligenz nicht als Instrument der Verkleinerung einführt, sondern als Antwort auf einen Arbeitsmarkt, dem die Menschen ausgehen."
Was fehlt, ist keine weitere Regulierung und auch kein europäisches Spitzenmodell, sondern die organisatorische Fähigkeit, diese Zutaten in den laufenden Betrieb zu bringen, jene Fähigkeit also, an der nach allem, was dieser Report zeigt, derzeit auch die Kapitalstärksten erst arbeiten. In dieser einen Hinsicht beginnt das Rennen für Europa nicht mit Rückstand, sondern mit offenem Ausgang.
---
## Neun Prognosen für das Jahr 2027, die dieser Report im kommenden Jahr öffentlich benotet
Dieses Kapitel ist der Teil des Reports, der ihn von einer Momentaufnahme zu einer Reihe macht. Es enthält neun Prognosen zum kommenden Jahr, jede so formuliert, dass sich im Herbst 2027 eindeutig sagen lässt, ob sie eingetreten ist, jede mit der Messgröße, an der sie geprüft wird, und jede als persönliche Wette des Autors, nicht als Ergebnis eines Modells. Die Ausgabe 2027 benotet sie öffentlich, zählt die Treffer und die Fehlschläge aus und erklärt, was an den Fehlschlägen falsch gedacht war. Daneben führt das Kapitel einen Block externer Vergleichsmarken, also bereits datierte Prognosen von Anbietern, Marktforschern und Forschern zum selben Thema, mit Absender, Zieljahr und ausgewiesenem Eigeninteresse. Sie ersetzen keine eigene Prognose, aber sie werden im Folgejahr mitbenotet, denn aus einer Diskussion, in der jedes Jahr neue Vorhersagen gemacht und die alten vergessen werden, lernt niemand etwas. Wo eine externe Prognose kein Messkriterium nennt, steht das dabei, und die Benotung wird an beobachtbare Indikatoren geknüpft, die der Report selbst festlegt.
Die Prognosen folgen der Ordnung des Reports, von der lauten ersten Kraft bis zur Organisation. Sie sind die persönliche Ansicht des Autors, gebildet aus den Befunden dieses Reports, und sie geben wieder, was er selbst nach Lage der Belege für den wahrscheinlichsten Verlauf des kommenden Jahres hält. Sie sind bewusst vorsichtig dort, wo die Evidenz dünn ist, und bewusst scharf dort, wo der Report sich festlegt. Wer sie für falsch hält, findet in jeder einzelnen die Stelle, an der sich das 2027 zeigen wird.
**Erste Prognose: Das KI-Argument bleibt 2027 in den Vereinigten Staaten ein Kündigungsgrund der ersten Reihe, während die amtlich gemessene Wirkung klein bleibt.** Die Technologie wird in der Kündigungsstatistik von Challenger, Gray & Christmas auch im Jahr 2027 in mindestens sechs Monaten zu den drei meistgenannten Gründen gehören, und zugleich werden in der Unternehmensbefragung des amerikanischen Census Bureau weiterhin weniger als 10 Prozent der KI-nutzenden Unternehmen eine gesunkene Beschäftigtenzahl melden. Die Prognose ist eine Wette darauf, dass die Story und die Messung sich weiter auseinanderentwickeln, weil das KI-Argument ein Instrument der Kapitalmarktkommunikation ist und keine Beschreibung der Betriebe. Geprüft wird an den Monatsberichten von Challenger und am nächsten KI-Zusatzmodul des Business Trends and Outlook Survey.
**Zweite Prognose: Mindestens drei namhafte Unternehmen revidieren bis zum Herbst 2027 öffentlich einen mit künstlicher Intelligenz begründeten Einstellungsstopp am Berufseinstieg.** Die ausgedünnte eigene Nachwuchsbasis und die Verteuerung erfahrener Fachkräfte erzwingen den Kurswechsel, und er wird nicht leise vollzogen, sondern als Programm angekündigt, wie es Cognizant und EY 2026 bereits vorgemacht haben. Als Treffer zählt, wenn ein Unternehmen mit mehr als 10.000 Beschäftigten öffentlich ankündigt, eine frühere, mit der Technologie begründete Reduktion der Einstiegsstellen ausdrücklich zurückzunehmen oder umzukehren; Programme, denen nie ein Stopp vorausging, zählen nicht.
**Dritte Prognose: Der amerikanische Einstiegseinbruch zeigt sich auch 2027 in den amtlichen Reihen Deutschlands und Österreichs nicht, und die Verzögerung hält an.** Die Arbeitslosigkeit der unter 25-Jährigen mit Hochschulabschluss wird in beiden Ländern nicht stärker steigen als die Gesamtarbeitslosigkeit, und die Fortschreibung der Schweizer KOF-Messung bleibt der einzige europäische Befund, in dem exponierte Berufe messbar schlechter abschneiden. Die Prognose ist die Verzögerungshypothese aus dem Kapitel zum europäischen Maßstab in prüfbarer Form; sie ist widerlegt, wenn die Bundesagentur für Arbeit oder das Arbeitsmarktservice für 2027 einen überproportionalen Anstieg bei den jungen Akademikern in exponierten Berufen ausweist.
**Vierte Prognose: Die Pilot-Produktiv-Lücke schließt sich 2027 nicht.** In der jährlichen Befragungsreihe von McKinsey wird der Anteil der Unternehmen, die der Technologie eine Wirkung auf das Betriebsergebnis zuschreiben, unter 45 Prozent bleiben, nach 37 Prozent im Jahr 2026, einem Wert, den McKinsey selbst als gegenüber dem Vorjahr unverändert ausweist. Die Gruppe mit messbarem Ergebnisbeitrag von mindestens 5 Prozent wird unter 10 Prozent bleiben, nach rund 6 Prozent. Die Verbreitung wird weiter wachsen, die Wirkung nicht im selben Maß, weil die Organisationen langsamer lernen, als die Anbieter liefern. Geprüft wird an der Ausgabe 2027 derselben Reihe, mit der Einschränkung, dass es sich um Selbstauskünfte aus der Befragung einer Beratung handelt, die Umbauprogramme verkauft.
> „Die Organisationen lernen langsamer, als die Anbieter liefern, und die Gruppe mit nennenswertem Ergebnisbeitrag bleibt auch 2027 unter 10 Prozent."
**Fünfte Prognose: Mindestens fünf namhafte Unternehmen im deutschsprachigen Raum kündigen bis zum Herbst 2027 eine Reorganisation an, die Einheiten nach Themen und Ergebnissen statt nach Funktionen gliedert.** Die Organisation der Zukunft, die dieses Jahr als Zielbild von Beratungen, Marktforschern und Werkzeuganbietern beschrieben wird, erreicht die Praxis zuerst in Unternehmen mit hohem Anteil an Wissensarbeit und geringer Regulierung, und sie wird dort öffentlich angekündigt, weil sie sich als Standortvorteil vermarkten lässt. Als Treffer zählen angekündigte Reorganisationen, in denen kleine Einheiten die Verantwortung für den gesamten Ablauf übernehmen, und die entsprechenden Antworten im Vorstands-Puls 2027, in den die Frage nach der Aufteilung der Arbeit als Kernfrage aufgenommen wird.
**Sechste Prognose: Mindestens ein öffentlich sichtbarer Großversuch, die Hierarchien abzuflachen und die Organisation auf KI-Akteure auszurichten, wird bis zum Herbst 2027 teilweise zurückgenommen.** Metas Project OT ist 2026 der erste dokumentierte Fall, und er wird nicht der letzte bleiben, weil sich die gestrichene Koordinationsarbeit in den meisten Fällen als stillschweigend verlagert und nicht als eingespart erweist, nach dem Muster von Zappos und Medium. Als Treffer zählt die öffentliche Rücknahme oder Aussetzung eines angekündigten Hierarchieabbaus durch ein Unternehmen mit mehr als 10.000 Beschäftigten; die bloße Verlangsamung zählt nicht.
**Siebte Prognose: Die Schere zwischen Produktivität und Löhnen öffnet sich in den ersten Jahren der Technologie weiter.** In den amerikanischen Reihen des Economic Policy Institute und des Bureau of Labor Statistics wird die Produktivität 2026 stärker wachsen als der Stundenlohn typischer Beschäftigter. Im deutschsprachigen Raum wird sich die Spreizung zwischen Berufsanfängern und Erfahrenen in den Lohnerwartungen der Unternehmen bei einer Wiederholung der Befragung nicht verringern; das ifo Institut hat diese Spreizung 2026 erstmals gemessen. Die Prognose bringt die Verteilungsfrage des Schlusskapitels in prüfbare Form, und sie ist widerlegt, wenn die Löhne 2026 mit der Produktivität Schritt halten.
**Achte Prognose: Das KI-Argument kommt 2027 im deutschsprachigen Raum nicht an. Kein Unternehmen in Deutschland, Österreich oder der Schweiz mit mehr als 10.000 Beschäftigten begründet bis Ende 2027 einen Abbau von mehr als 1.000 Stellen in erster Linie mit künstlicher Intelligenz.** Was in den Vereinigten Staaten seit 2025 zur Kapitalmarktkommunikation gehört, bleibt im deutschsprachigen Raum aus, und zwar nicht, weil die Technologie hier weniger genutzt würde, sondern weil das Argument hier nichts einbringt. Wo ein Abbau mit einem Betriebsrat verhandelt, in einem Sozialplan beziffert und vor Arbeitsgerichten begründet werden muss, ist die Berufung auf die Technologie eine schlechte Begründung, denn sie lädt zur Nachfrage ein, welche Aufgabe die Maschine denn genau übernommen habe. Der Abbau, der 2027 kommt, wird mit Konjunktur, Kosten, Standort und Umbau begründet, so wie SAP seine Restrukturierung von rund 10.000 Stellen als Neuausrichtung geführt und im Juli 2026 an Einstellungen, Reisen und Lieferanten gespart hat, um die eigene KI-Offensive zu finanzieren, ohne einen einzigen Arbeitsplatz der Technologie zuzuschreiben, und so wie Ingka 8.500 Callcenter-Beschäftigte umgeschult hat, statt sie zu entlassen. Geprüft wird an den Pflichtmitteilungen der börsennotierten Unternehmen, an den Pressemitteilungen zu Restrukturierungen und an den öffentlich gewordenen Sozialplänen und Massenentlassungsanzeigen des Jahres 2027. Als Gegenfall zählt nur, wenn das Unternehmen selbst in seiner Mitteilung die Technologie als Hauptgrund nennt, nicht, wenn die Presse sie ihm zuschreibt; ein einziger Gegenfall widerlegt die Prognose.
**Neunte Prognose: Der berufliche Gender Gap bei generativer KI schließt sich 2026 nicht.** In der Eurostat-Statistik zur IKT-Nutzung in Haushalten nutzen Männer in Deutschland generative KI im Beruf um 29 Prozent häufiger als Frauen, 18 gegen 14 Prozent. In der Jahreszahl für 2026, die Eurostat im Dezember 2026 veröffentlicht, bleibt dieser Vorsprung über 20 Prozent, und zwar obwohl die 16- bis 24-jährigen Frauen 2025 schon vor den gleichaltrigen Männern liegen. Der Abstand entsteht im Betrieb, und die Betriebe organisieren die Qualifizierung 2026 nicht schnell genug um, als dass ein einzelner Jahrgang ihn schließen könnte. Gemessen wird am Verhältnis der beruflichen Nutzungsquoten von Männern und Frauen zwischen 16 und 74 Jahren; die Prognose ist widerlegt, wenn der Vorsprung der Männer auf 20 Prozent oder darunter fällt. Österreich läuft als Kontrollreihe mit, dort lag der Vorsprung 2025 bei 30 Prozent.[6]
Zwei weitere Prognosen hat der Autor erwogen und nicht aufgenommen, weil ihre Messgröße 2027 noch nicht sauber verfügbar ist. Nach der einen werden die Zwischenwahlen in den Vereinigten Staaten im November 2026 zur ersten Wahl, in der die Sorge um KI-bedingten Arbeitsplatzverlust ein tragendes Wahlkampfthema ist. Nach der anderen weisen mindestens zwei weitere große Handelsplattformen nach dem Vorbild von Shopify KI-vermittelte Bestellungen als eigene Kennzahl aus. Sie stehen hier, damit die Ausgabe 2027 auch prüfen kann, ob der Verzicht richtig war.
### Die externen Vergleichsmarken, die dieser Report archiviert und mitbenotet
| Absender | Prognose | Zieljahr | Eigeninteresse | Stand im September 2026 |
|---|---|---|---|---|
| Geoffrey Hinton, 2016[77] | Die Ausbildung von Radiologen solle eingestellt werden, weil das maschinelle Lernen binnen fünf Jahren die Befundung besser beherrsche als der Mensch. | 2021 | Forscher, kein kommerzielles Interesse | Verfehlt. Die amtliche französische Statistik zählt zehn Jahre später mehr Radiologen, mehr Assistenten und mehr Bildgebungszentren als 2014, bei Engpässen in der Rekrutierung. |
| Dario Amodei, Anthropic, Mai 2025[27] | Bis zur Hälfte aller Einstiegsstellen könne binnen fünf Jahren wegfallen. | 2030 | Anbieter, dessen Geschäft an der Wirksamkeit der Technologie hängt | Vom Absender selbst relativiert; 2026 als Managemententscheidung umgedeutet. Kein Messkriterium genannt; der Report prüft an der Einstellungsrate der 22- bis 25-Jährigen in exponierten Berufen. Erster Zwischenstand: Die mit angekündigte Arbeitslosenquote von über 10 Prozent ist nicht eingetreten, sie lag im August 2026 bei 4,1 Prozent, während die Einstellungen der 22- bis 25-Jährigen in den am stärksten ersetzbaren Berufen seit 2021 um rund ein Drittel gefallen sind.[136][138] |
| AI Futures Project, AI 2027, April 2025[127] | Ein System, das jede Programmieraufgabe der besten menschlichen Entwickler schneller und billiger erledigt, im Laufe des Jahres 2027; nahezu vollständiger Einstellungsstopp für Programmierer ab Mitte 2027. | 2027 | Autoren aus der Sicherheitsforschung, kein Anbieter | Von den Autoren selbst verschoben; der Median liegt inzwischen um 2030. Die Arbeitsmarktaussagen des Szenarios haben keine eigene Evidenzbasis. |
| Gartner, Juli 2026[53] | 60 Prozent der Organisationen stellen ihre Softwareentwicklung flächendeckend auf kleine Teams um, nach 15 Prozent 2026. | 2029 | Marktforscher, verkauft Beratung zum beschriebenen Umbau | Offen. Methodik der 15 und 60 Prozent nicht offengelegt, Analystenschätzung. |
| Gartner, Juli 2026[53] | Unternehmen, die heute auf Berufseinsteiger verzichten, höhlen bis 2028 ihre eigene Nachwuchsbasis aus. | 2028 | wie oben | Offen. Kein Messkriterium genannt; der Report prüft am Anteil der Berufseinsteiger an den Neueinstellungen in exponierten Berufen und an den Gehaltsaufschlägen für erfahrene Fachkräfte. |
| Zach Lloyd, Warp, Juli 2026[93] | Binnen eines Jahres betreibt jedes bedeutende Softwareprojekt einen automatisierten Entwicklungsmotor; der Anteil automatisch eingebrachter Codeänderungen steigt von rund 20 auf 30 bis 60 Prozent. | 2027 | Anbieter des beschriebenen Werkzeugs | Offen. Geprüft wird an den Anbieterstatistiken zu automatisch eingebrachten Codeänderungen, mit der Einschränkung, dass diese Ausstoß messen und nicht Wert. |
| Goldman Sachs, 2026[29] | Bei voller Ausbreitung der heutigen Anwendungsfälle sind 2,5 Prozent der amerikanischen Beschäftigten betroffen, die Arbeitslosenquote liegt in der Übergangsphase einen halben Prozentpunkt über dem Trend und kehrt binnen zweier Jahre zu ihm zurück. | 2028 | Investmentbank mit Engagement in der Technologiebranche | Offen. Bislang liegt die gemessene Wirkung darunter; die Marke dient als Obergrenze für die erste Kraft. |
| Anthropic Institute, September 2026[130] | Im moderaten und im erheblichen Szenario liegt die amerikanische Arbeitslosenquote Anfang 2030 bei 3,9 beziehungsweise 4,6 Prozent; erst im extremen Szenario erreicht sie in den Büro- und Wissensberufen 17,9 Prozent. | 2030 | Forschungseinheit eines Anbieters | Keine Prognose, sondern eine Modellrechnung; der Report führt sie als Rahmen, an dem sich die Jobkiller-Story messen lässt, und prüft 2027 die Ausgangsannahmen zur Verbreitung. |
Die Tabelle wächst mit jeder Ausgabe, und keine Zeile wird gelöscht. Wer 2026 eine Zahl in die Welt setzt, findet sie 2027 hier wieder, neben dem, was daraus geworden ist.
---
## Über die Zukunft der Arbeit entscheidet nicht die Maschine, sondern die Fähigkeit des Unternehmens, mit ihr zu arbeiten
Dieser Report hat mit dem Versprechen begonnen, eine Schlagzeile in ihre Bestandteile zu zerlegen, und am Ende dieses Weges lässt sich der große Irrtum genau bestimmen. Die Story vom Jobkiller macht die Maschine zum Akteur, und genau das hält der Prüfung an keiner der drei untersuchten Kräfte stand. Hinter dem KI-Argument stehen Kapitalmarktlogik und Restrukturierung, für die sich die Unternehmen eine technologische Begründung borgen. Die Karrierelücke ist real und messbar, doch selbst dort, wo die Technologie nachweislich mitwirkt, trifft sie eine Stufe, deren Wert die Unternehmen durch ihre eigene Einstellungspraxis bestimmen. Und der lange Umbau, die tatsächliche Wirkung der Technologie, stockt gerade nicht an den Fähigkeiten der Modelle, sondern an der Fähigkeit der Organisationen, sie im laufenden Betrieb zum Einsatz zu bringen. Bei allen drei Kräften kommt die Untersuchung zum selben Ergebnis: Über Beschäftigung entscheiden Menschen und Organisationen, nicht die Autonomie einer Technologie.
Wie wenig selbstverständlich es ist, dass die Gewinne dieses Umbaus bei denen ankommen, die die Arbeit tun, zeigt die längste Reihe, die die Arbeitsstatistik hergibt. Seit den siebziger Jahren wächst die Produktivität in den Vereinigten Staaten deutlich schneller als die realen Stundenlöhne, und dasselbe Muster zieht sich durch Großbritannien, Japan und weite Teile Europas; das Economic Policy Institute beziffert den Abstand für die Zeit seit 1979 auf ein Produktivitätsplus von gut 92 Prozent gegenüber einem Plus von knapp 34 Prozent beim Stundenlohn typischer Beschäftigter. Sollte die künstliche Intelligenz den Kapitalanteil der Wertschöpfung weiter stärken, spricht vieles dafür, dass sich diese Schere eher öffnet als schließt; die Financial Times hat diese Sorge jüngst auf die Formel gebracht, die Produktivitätsgewinne der Technologie könnten vor allem den Eigentümern der Maschinen und Rechenzentren zufließen. Erik Brynjolfsson, dessen Stanford-Labor die Karrierelücke vermessen hat, antwortet darauf im selben Stück mit einer Unterscheidung, die die Leitthese dieser Studie von der volkswirtschaftlichen Seite her bestätigt: Ob die Technologie Menschen ersetzt oder ergänzt, sei eine Gestaltungsfrage und keine Eigenschaft der Maschine. Die Falle, vor der er warnt, hat er schon 2022 die Turing-Falle genannt, den Bau von Systemen, die Menschen imitieren, statt sie zu ergänzen. Für die Frage dieser Studie heißt das: Auch die Verteilung der Gewinne ist keine Naturkonstante der Technologie, sondern eine Folge von Entscheidungen, in den Unternehmen wie in der Politik, und der Umbau wird sich daran messen lassen, ob er nicht nur die Produktivität steigert, sondern sich auch in den Löhnen derer niederschlägt, die ihn tragen. [131] Dass diese Sorge kein Reservat kapitalismuskritischer Stimmen ist, zeigt sich daran, dass die volkswirtschaftliche Abteilung einer deutschen Landesbank im August 2026 in sämtlichen eigenen Szenarien ausdrücklich unterstellt, ohne staatliches Eingreifen fließe der Löwenanteil der höheren Arbeitsproduktivität nicht den Arbeitnehmern in Form steigender Löhne zu, sondern steigere die Gewinne der Kapitaleigner. [33]
Dass diese Verteilungsfrage keine ferne ist, legt eine Auswertung nahe, die im Juli 2026 aus der Finanzwirtschaft kam und bislang ohne europäische Entsprechung geblieben ist. Torsten Slok, Chefvolkswirt von Apollo Global Management (apollo.com), und die Princetoner Forscherin Sania Edlich haben für 321 einander zugeordnete amerikanische Berufe die Lohnentwicklung von 2015 bis 2026 verglichen und die Exposition dabei nicht theoretisch bestimmt, sondern an der beobachteten beruflichen Nutzung der Modelle von Anthropic. In den stark exponierten Berufen fällt das reale Lohnwachstum seit 2023 um 6,7 Prozent geringer aus als in den schwach exponierten, während die Beschäftigung in denselben Berufen unverändert bleibt, und der Abstand wächst nach unten: Im untersten Lohnviertel beträgt er rund 11 Prozent, in den beiden mittleren Vierteln 5,4 und 4,0 Prozent, bei den Spitzenverdienern ist er nicht mehr nachweisbar. Sollte sich dieser Befund halten, dann zeigt sich die Wirkung der Technologie bei den Bestandsbeschäftigten nicht an der Stelle, sondern am Preis der Arbeit, und sie zeigt sich zuerst bei denen, die am wenigsten verdienen. Das ist dieselbe Bewegung, die dieses Kapitel an der langen Reihe beschreibt, nur am aktuellen Rand und mit der Technologie als benanntem Anlass, und sie liefert zugleich die Reihe, an der sich die Prognose dieses Reports zur Lohnentwicklung im kommenden Jahr nachrechnen lässt. Zur Redlichkeit gehört, dass hier die Forschungsabteilung einer Vermögensverwaltung rechnet und keine begutachtete Arbeit vorliegt, dass die Exposition aus den Nutzungsdaten eines einzigen Anbieters stammt und der Befund deshalb nicht als unabhängiger Beleg neben den übrigen Auswertungen dieses Anbieters geführt werden darf, und dass die Autoren selbst offenlassen, ob ihre Werte Prozent oder Prozentpunkte bezeichnen, weshalb der Report allein die Richtung und die Rangfolge nach Lohnvierteln übernimmt. [137] Bemerkenswert ist, dass Benjamin Verschuere, einer der Autoren der zuvor angeführten Aufgabenzerlegung, in derselben Titelgeschichte von selbst bei dieser Frage landet, wenn er festhält, das Lohnwachstum habe sich von der Produktivität entfernt.[138] Wie weit, sagt die amtliche Statistik: Die Lohnquote im amerikanischen Unternehmenssektor außerhalb der Landwirtschaft, also der Anteil der Wertschöpfung, der als Entgelt an die Beschäftigten geht, lag im zweiten Quartal 2026 bei 52,8 Prozent und damit so niedrig wie noch nie, seit diese Reihe 1947 begonnen wurde, nach einem Höchststand von 66,2 Prozent Ende 1960.[139] Das ist kein Werk der künstlichen Intelligenz, denn der Rückgang läuft seit den frühen zweitausender Jahren, aber es ist die Ausgangslage, in die diese Technologie hineinwirkt, und sie erklärt, warum die Frage nach der Verteilung der Gewinne nicht auf den Tag verschoben werden kann, an dem der Umbau abgeschlossen ist.
Wie groß die Umbrüche am Arbeitsmarkt ausfallen könnten, hat im September 2026 ein KI-Anbieter selbst durchgerechnet. In einem Arbeitspapier des Anthropic Institute, der Forschungseinrichtung des Unternehmens, entwerfen die Ökonomen Anton Korinek und Charles Jones mit weiteren Autoren drei Szenarien für die amerikanische Wirtschaft bis 2030, ausdrücklich ohne Angabe von Wahrscheinlichkeiten. Der Befund ist einfach. In den beiden Szenarien mit moderatem und mit erheblichem Wandel liegt die Arbeitslosenquote 2030 zwischen 3,9 und 4,6 Prozent, also nahe dem heutigen Stand, und auf dieselben Werte kommt das Modell, wenn man statt der Annahmen der Autoren die Erwartungen einer repräsentativen Befragung amerikanischer Erwachsener einsetzt. Das Bild vom Jobkiller entsteht erst im extremen Szenario, in dem die Wirtschaft um 15 Prozent im Jahr wächst, die künstliche Intelligenz neun von zehn Arbeitsschritten allein erledigt und für Menschen keine neuen Aufgaben mehr entstehen; dann steigt die Arbeitslosigkeit in den Büro- und Wissensberufen auf 17,9 Prozent. Was sich dagegen schon im mittleren Szenario verschiebt, ist die Verteilung: Der Anteil der Arbeitseinkommen an allen Einkommen sinkt bis 2030 von 60 auf 56 Prozent, und im extremen Fall fließt der gesamte Zuwachs den Kapitaleinkommen zu. Das Modell gilt nur für die Vereinigten Staaten, klammert politische Gegenmaßnahmen aus und beruht zum Teil auf den Nutzungsdaten des Anbieters selbst, nach dem Maßstab, der im Kapitel zur Karrierelücke bereits vorgestellt wurde. [40] Für das Bild vom Jobkiller braucht es die extremsten Annahmen dieser Rechnung, für eine ungleiche Verteilung der Gewinne genügen schon die mittleren. [130]
Wie weit die Jobkiller-Story danebenliegt, zeigt sich am deutlichsten dort, wo ihre Verfechter gar nicht hinsehen, bei den Neugründungen. Die Untersuchung von Kim und Koning, die in dieser Studie bereits an zwei Stellen Beweiskraft geliefert hat, enthält nämlich noch einen dritten Befund. KI-native Neugründungen sind rund ein Viertel kleiner und etwa eine halbe Hierarchiestufe flacher aufgestellt als vergleichbare Firmen derselben Branche und desselben Gründungsjahrgangs, und sie erreichen dabei vergleichbare oder höhere Bewertungen. Man kann darin die Angst vor schrumpfenden Belegschaften bestätigt sehen, doch das verkennt, was bei diesen Gründungen tatsächlich geschieht. Hier verschwindet keine Arbeit, hier entsteht neue Wertschöpfung in einer anderen Organisationsform, kleiner aufgestellt, anders besetzt und von Beginn an auf die Fähigkeiten digitaler Teammitglieder ausgerichtet. Die Arbeit verschwindet nicht, sie wechselt Ort und Gestalt, sie wandert in Produkte, in neue Firmen und in Rollen, die in den Personalstatistiken der bestehenden Unternehmen nicht auftauchen. Wer nur zählt, welche Stellen in den etablierten Unternehmen wegfallen, bilanziert den Umbau einer Wirtschaft mit den Kategorien ihres alten Zustands. [51]
Damit bleibt die Frage, die dieser Report an den Anfang gestellt und durch alle Kapitel getragen hat: nicht ob die künstliche Intelligenz Arbeitsplätze vernichtet, sondern wie schnell eine Organisation das Wissen aufbaut, mit dem sie die Technologie produktiv macht. Die Belege dafür, dass genau hier die Bruchlinie verläuft, haben sich von Kapitel zu Kapitel verdichtet. Die Lücke zwischen Pilot und Produktivbetrieb ist mit drei voneinander unabhängigen Befunden vermessen. Das Delegationsexperiment von Colaiacovo und Koning weist nach, dass die Bereitschaft, Arbeit an einen KI-Akteur zu übergeben, nur zu einem guten Drittel davon abhängt, was man der Technologie zutraut, und darüber hinaus eine eigenständige Führungsentscheidung ist. [7] Die Modelle selbst kann inzwischen jedes Unternehmen mieten, zu fallenden Preisen und in zunehmend austauschbarer Qualität. Die Fähigkeit, mit ihnen zu arbeiten, kann es nicht mieten.
> „Modelle kann jedes Unternehmen mieten. Die Fähigkeit, mit ihnen zu arbeiten, muss jedes Unternehmen selbst aufbauen."
Diese Diagnose steht nicht mehr allein. Das Stanford-Institut für menschzentrierte künstliche Intelligenz hat im Juni 2026 einen Industriereport vorgelegt, der im Rahmen des unternehmensfinanzierten Mitgliederprogramms des Instituts entstanden ist und einen Forschungsüberblick von mehr als 50 Autorinnen und Autoren verdichtet; seine zentrale Botschaft deckt sich fast vollständig mit der Leitthese dieser Studie. Weil die großen Basismodelle in ihrer Leistung konvergieren, verlagert sich der Unterschied zwischen den Anbietern von der Frage, was das Modell kann, zu der Frage, wie gut es den Menschen dient, die damit arbeiten. Spitzenwerte in den üblichen Leistungstests garantieren demnach keinen geschäftlichen Nutzen, Produktivitätsgewinne entstehen erst, wenn Beschäftigte ihre Arbeitsweise tatsächlich ändern, und die Gestaltung der Zusammenarbeit zwischen Mensch und KI-Kollege bringt häufig größere Fortschritte als der Wechsel auf das nächste Modell. Dass ausgerechnet die akademische Heimat der menschzentrierten KI-Forschung den Wettbewerbsvorteil dort verortet, wo dieser Report die Lernlücke diagnostiziert, zeigt, dass die Leitthese keine europäische Eigenheit ist, sondern den Stand der internationalen Diskussion wiedergibt. [95]
Auch die internationale Managementlehre ist inzwischen an diesem Punkt angekommen. Gary Hamel und Michele Zanini, deren Arbeiten zur Organisationsforschung die Diskussion seit Jahrzehnten prägen, haben im Juni 2026 die drei lautesten Versprechen der Branche an der Evidenz gemessen, die Massenverdrängung, die nahe allgemeine Maschinenintelligenz und die Produktivitätsrevolution, und kommen zum selben Befund wie diese Studie: Die Belege stützen die Schlagzeilen nicht, real sind die Gewinne dort, wo Aufgaben klar umrissen sind. Ihre belastbarste Zahl stammt aus derselben Rechnung des Penn Wharton Budget Model, mit der weiter oben bereits gezeigt wurde, an welche Bedingung die europäische Hoffnung auf höhere Produktivität geknüpft ist. Bemerkenswert ist weniger die Übereinstimmung als die offene Flanke, denn sie folgern daraus, die Erwartungen müssten neu kalibriert werden, und einen Teil der Lücke schreiben sie, anders als diese Studie, den Grenzen der heutigen Modelle selbst zu. Die Befunde dieser Studie führen einen Schritt weiter: Die Lücke zwischen Versprechen und Wirkung ist kein Schicksal der Technologie, sondern der Abstand zwischen ihren Fähigkeiten und der Fähigkeit der Organisationen, sie zu nutzen. Dass die prominentesten Kritiker des Hype bei der Diagnose ankommen und vor dieser Erklärung stehenbleiben, unterstreicht, warum dieser Report die Fähigkeitsfrage ins Zentrum stellt. [29]
Eine sektorspezifische Bestätigung liefert ausgerechnet jene Branche, die bei neuer Technologie traditionell am vorsichtigsten vorgeht. Die bereits im Kapitel zum langen Umbau zitierte Studie von Wavestone und der Universität St. Gallen, eine Befragung von 30 Fachbereichs- und IT-Verantwortlichen aus Banken, Versicherungen und Technologieanbietern im deutschsprachigen Raum, zieht einen Schluss, der über den Finanzsektor hinausweist: Nicht die Fähigkeit der Modelle entscheidet darüber, wie weit ein Unternehmen agentische KI tatsächlich skalieren kann, sondern die Reife seines Betriebsmodells. Dass eine so regulierte und risikobewusste Branche zum selben Schluss kommt wie zuvor die Managementforschung und die akademische KI-Forschung, zeigt, dass die Leitthese dieses Reports keinen Einzelfall des langen Umbaus beschreibt, sondern ein Muster, das sich über Branchen und Kontinente hinweg wiederholt. [68]
Wie weit diese Bruchlinie über das einzelne Unternehmen hinausreicht, zeigt ein Essay, den der Ökonom E. Glen Weyl, der Soziologe James Evans und der Microsoft-Forschungsdirektor Chris White im Juli 2026 gemeinsam mit einer 23-köpfigen Koalition aus Forschung, Wirtschaft und Zivilgesellschaft im Magazin Noema veröffentlicht haben; zwei der drei Autoren forschen für Microsoft, und der Text kritisiert gleichwohl die Investitionslogik der eigenen Industrie. Für jeden Dollar, der in fähigere Modelle und deren Ausrichtung am Menschen fließt, gehe nur ein Bruchteil in die Fähigkeit von Institutionen, Organisationen und Bildungssystemen, diese Systeme aufzunehmen, und diese vernachlässigte Gegenrichtung nennen die Autoren reverse alignment. Bleibt sie aus, drohen drei Fehlentwicklungen, die die Autoren Produktivität ohne Wohlstand, Ausführung ohne Prüfung und Kapazität ohne Schranken nennen, und die erste davon ist dieselbe Verteilungsflanke, die weiter oben an der Lohn-Produktivitäts-Schere sichtbar wurde. Ihre Diagnose für die Arbeitswelt wiederholt beinahe wörtlich die Lehre, die diese Studie aus der Einführung des Elektromotors gezogen hat, denn der eigentliche Engpass für große Produktivitätsgewinne sei nicht das Modell, sondern der Umbau, mit dem sich die Organisationen auf die Möglichkeiten der Technologie ausrichten. Was dieser Report als Fähigkeit des einzelnen Unternehmens beschreibt, kehrt dort als Aufgabe ganzer Gesellschaften wieder, und beide Ebenen bedingen einander, denn kein Unternehmen baut seine Fähigkeit leichter auf als in einem Land, dessen Bildungs-, Arbeitsmarkt- und Rechtsinstitutionen den Umbau mittragen. [132]
Wie eine solche nationale Gegenrichtung aussehen könnte, lässt sich seit Jahresbeginn in Großbritannien besichtigen. Dort haben die Universität York, der Hochschuldatenanbieter QS und die Beratung Public First im Januar 2026 den Versuch vorgelegt, die Bildungsseite der Fähigkeitsfrage für eine ganze Volkswirtschaft zu beziffern, entlang der acht Prioritätssektoren der britischen Industriestrategie. Von den 1.890 Berufen, in die das zugrunde liegende Marktmodell den britischen Arbeitsmarkt zerlegt, stuft die Analyse 1.436 als kritisch für genau einen dieser Sektoren ein und weitere 635 als kritisch für mehrere zugleich, deren Knappheit also mehrere Wachstumsstrategien gleichzeitig bremsen würde, und mehr als 80 Prozent der wichtigsten dieser Berufe setzen einen Hochschulabschluss voraus. Zugleich schätzt das Modell das Ergänzungspotenzial der Technologie deutlich größer als ihr Verdrängungspotenzial, denn drei Viertel der Beschäftigten arbeiten demnach in Berufen, deren Arbeit die Technologie mindestens spürbar ergänzen kann, während nur die Hälfte in vergleichbarem Maß der Automatisierung ausgesetzt ist. Der Schluss des Reports überträgt die Leitthese dieser Studie auf die gesamte Volkswirtschaft, denn Beschäftigungswachstum sei künftig weniger eine Frage der Nachfrage einzelner Branchen als die Frage, ob die Erwerbsbevölkerung jene Aufgaben beherrscht, die die Technologie ergänzt statt ersetzt, womit Hochschulbildung und lebenslanges Lernen zur systemkritischen Infrastruktur werden. Zur redlichen Lesart gehört, dass hier Beteiligte mit eigenen Interessen rechnen, eine Universität in der Finanzierungskrise ihres Sektors und ein kommerzieller Hochschuldatenanbieter, und dass die spektakulärste Zahl des Reports, ein KI-Wachstumsbeitrag von 490 Milliarden Pfund bis 2030, auf der heroischen Annahme von bis zu zwei durch KI unterstützten Arbeitstagen je Woche beruht und damit um ein Vielfaches über den vorsichtigen Produktivitätsschätzungen liegt, mit denen weiter oben gezeigt wurde, an welche Bedingung die europäische Hoffnung geknüpft ist. Die Grundaussage hält allerdings auch ohne dieses Zahlenwerk, denn die staatliche Agentur Skills England erwartet unabhängig davon, dass zwei Drittel der zusätzlichen Beschäftigung in den Prioritätsberufen eine Qualifikation oberhalb der Schulbildung verlangen, und genau darin liegt der Gewinn für die Fähigkeitsfrage dieser Studie: Ein Land hat begonnen, den Engpass seines Wachstums nicht mehr in der Technologie zu suchen, sondern in der Ausbildung der Menschen, die mit ihr arbeiten sollen. [133]
Inzwischen lässt sich auch ablesen, wie die Beschäftigten selbst diese Bruchlinie erleben. Die zweite jährliche Stimmungsumfrage von Lenny's Newsletter unter 5.332 Erwerbstätigen der Technologiebranche, als selbstselektiertes, stark vom Produktmanagement bestimmtes und amerikanisch geprägtes Stimmungsbild zu lesen und nicht als Arbeitsmarktmessung, beschreibt eine Belegschaft, die sich in zwei Lager teilt. 49 Prozent erleben sich durch die Technologie in ihrer beruflichen Rolle gestärkt, knapp 19 Prozent verunsichert oder entwertet, und diese Selbstverortung sagt Karriereoptimismus und die Bereitschaft, das eigene Feld weiterzuempfehlen, stärker voraus als Rolle, Hierarchieebene und Firmengröße zusammen; der Abstand zwischen den Gestärkten und den Entwerteten entspricht beim Optimismus etwa dem Dreifachen des Effekts, den eine Gründerrolle mit sich bringt. Zugleich stieg der Anteil der Befragten mit deutlichem Burnout binnen eines Jahres von knapp 45 auf gut 55 Prozent. An derselben Frage, die Organisationen in Lernende und Zuschauende trennt, scheiden sich also auch die Erwerbsbiografien, und den Ausschlag gibt die Erfahrung, ob die Technologie einen trägt oder überrollt. Eine Organisation, die ihre Fähigkeit aufbaut, entscheidet damit auch darüber, auf welcher Seite dieser Linie ihre Leute stehen. [28]
Was diese Fähigkeit im Kern ausmacht, hat das Kapitel zum langen Umbau bereits genannt, hier werden die Befunde zusammengeführt. Zwischen dem Modell und dem eigenen Prozess liegt das, worauf es ankommt: das Wissen des Unternehmens, seine Regeln, seine Erfahrung und seine Entscheidungen, festgehalten in einer Form, die dem Unternehmen selbst gehört und mit der digitale Teammitglieder unmittelbar arbeiten können, gleichgültig, welches Modell gerade zugrunde liegt. Wer dieses Fundament besitzt, kann Anbieter wechseln wie Werkzeuge und nimmt sein Wissen jedes Mal mit. Wer es nicht besitzt, gibt mit jeder eingekauften KI-Funktion ein Stück Wissensarbeit an seinen Lieferanten ab und nennt das Fortschritt. Die Entscheidung, welche Arbeit in das gekaufte Produkt wandern darf und welche an die eigenen Prozesse gebunden bleibt, fällt Aufgabenfeld für Aufgabenfeld und ist deshalb keine Softwarefrage, sondern die Form, in der die Fähigkeit eines Unternehmens konkret wird. Bemerkenswert ist, dass eine ganz andere Untersuchung auf dieselbe Größenordnung stößt. Als eine Forschergruppe des Massachusetts Institute of Technology und der Universität Stanford die Unterschiede in den Ratschlägen aufschlüsselte, die Sprachmodelle Privatpersonen zu ihren Finanzen geben, entfiel auch dort nur ein Drittel auf das Modell selbst und zwei Drittel darauf, wie die Menschen gefragt hatten.[81]
Wie ernst diese Verschiebung inzwischen genommen wird, zeigt die Angebotsseite des Modellmarkts selbst. Thinking Machines Lab (thinkingmachines.ai), das Unternehmen der früheren OpenAI-Technikchefin Mira Murati, hat im Juli 2026 wenige Tage vor der Veröffentlichung seines ersten Modells ein Manifest vorgelegt, das die eigene Geschäftsgrundlage genau hier verortet. Organisationen sollen die Modelle mit ihrem eigenen Wissen weitertrainieren, statt eine künstliche Intelligenz einzukaufen, die dieses Wissen einmalig abschöpft und durch ein Standardangebot ersetzt. Das ist ein Herstellertext in eigener Sache und als solcher zu lesen, doch wenn ein Anbieter von Spitzenmodellen die Zukunft seines Geschäfts dort sucht, wo Unternehmen ihr Wissen im eigenen Betrieb behalten, wettet der Markt an dieser Stelle auf dieselbe Fähigkeit, um die es dieser Studie geht. [134]
Für Europa fällt diese Rechnung schärfer aus, im Guten wie im Schlechten. Der zweite Teil dieser Studie hat gezeigt, dass die Ausgangslage günstiger ist, als die importierte Diskussion glauben macht: eine Demografie, in der jede Technologie, die die Produktivität steigert, nicht als Bedrohung erscheint, sondern Entlastung verspricht, ein Beschäftigungssystem, das zur Anpassung drängt statt zur Trennung, und eine industrielle Datentiefe, die in den mittelständischen Regionen sitzt und sich nicht kopieren lässt. Doch alle drei Vorteile sind bedingt. Sie zahlen sich nur für Organisationen aus, die die Fähigkeit aufbauen, sie zu nutzen, und diese Arbeit nimmt ihnen, wie der Blick auf den europäischen Finanzrahmen gezeigt hat, keine Förderkulisse ab. Der Standort liefert die Zutaten, doch verarbeiten muss sie jedes Unternehmen selbst.
### Der Blick nach vorn
Wenn diese Standortbestimmung im kommenden Jahr zum zweiten Mal erscheint, wird sie dieselbe Frage erneut stellen, mit denselben Kernfragen an dieselbe Gruppe von Entscheidern, mit derselben Kennzahl für den Abstand zwischen Pilot und Produktivbetrieb und mit der öffentlichen Benotung der eigenen Prognosen. Erst diese Wiederkehr macht aus einer Diagnose eine Messreihe, und erst die Messreihe wird zeigen, ob sich die Lernlücke schließt oder ob sie sich, wie die amerikanischen Zahlen zur Karrierelücke, Monat für Monat weiter öffnet.
Der große Irrtum vom Jobkiller wird sich dabei erledigen, wie sich technologische Angstfiguren immer erledigt haben, nicht durch Widerlegung, sondern durch Präzisierung. Übrig bleibt die Frage, an der sich die kommenden Jahre entscheiden: welche Organisationen aus einem fähigen Werkzeug produktive digitale Kollegen gemacht haben, welche den Berufseinstieg neu gebaut haben, weil auch die Fähigkeit von morgen Einsteiger braucht, die heute lernen dürfen, und welche das KI-Argument nicht mehr nötig haben, weil ihre Zahlen für sich sprechen. Auf die Frage, ob die künstliche Intelligenz die Arbeit vernichtet, gibt es am Ende dieser Studie eine präzise Antwort: Es kommt darauf an, wer sie führt. Das ist keine Beruhigung, sondern die genaueste Beschreibung der Lage, die die Evidenz dieses Jahres hergibt, und sie legt die Verantwortung dorthin, wo sie hingehört, in die Organisationen selbst.
---
## Quellenverzeichnis
1. Carlota Perez: „Technological Revolutions and Financial Capital. The Dynamics of Bubbles and Golden Ages". Edward Elgar, Cheltenham 2002.
2. Kathryn Bonney, Cory Breaux, Emin Dinlersoz, Lucia Foster, John Haltiwanger, Aditya Pande: „The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks“. CES Working Paper 26-25, Center for Economic Studies, U.S. Census Bureau, April 2026, zugleich NBER Working Paper 35141. https://www.census.gov/library/working-papers/2026/adrm/CES-WP-26-25.html, PDF unter https://www2.census.gov/library/working-papers/2026/adrm/ces/CES-WP-26-25.pdf
3. Dan Tinkoff, Lieven Van der Veken und Michael Chui, mit Tara Balakrishnan: „The state of AI in 2026: On the road to ROI". QuantumBlack, AI by McKinsey / McKinsey & Company, 25. August 2026. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai.
4. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Erik Brynjolfsson, Bharat Chandar, Ruyu Chen. Working Paper, Stanford Digital Economy Lab / SIEPR, maßgebliche Fassung vom 12. August 2026 mit ADP-Daten bis Juni 2026 (Vorfassungen vom 13. November 2025 und vom 26. August 2025). https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/, PDF unter https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf
5. Ausbildungsmarkt-Angaben aus demselben Deutschlandfunk-Interview vom 15. August 2026, siehe [34], wiedergegeben vom Evangelischen Pressedienst am 15. August 2026, https://www.evangelisch.de/inhalte/258175/15-08-2026/nahles-162000-ausbildungsstellen-noch-unbesetzt.
6. Eurostat, Statistisches Amt der Europäischen Union: Erhebung zur IKT-Nutzung in Haushalten und durch Einzelpersonen 2025, Datenbanktabelle isoc_ai_iaiu (Use of generative AI tools by individuals), veröffentlicht 16. Dezember 2025. https://ec.europa.eu/eurostat/databrowser/product/page/ISOC_AI_IAIU; die relativen Abstände sind aus den Quoten der Tabelle berechnet. Sowie Initiative D21 e. V. und Institut für Arbeitsmarkt- und Berufsforschung (IAB) der Bundesagentur für Arbeit: „Digital Gender Gap. Schwerpunkt 2026: Künstliche Intelligenz", April 2026. https://initiatived21.de/uploads/03_Studien-Publikationen/Digital-Gender-Gap/D21-GenderAIGap-2026.pdf, begleitend die Presseinformation des IAB, https://iab.de/presseinfo/gender-ai-gap/, und der Beitrag im IAB-Forum, https://iab-forum.de/der-gender-ai-gap-ki-wird-zur-schluesselressource-aber-maenner-und-frauen-nutzen-sie-nicht-gleich/.
7. Colaiacovo, I. und Koning, R. (2026). Delegating to AI: Beliefs and the Organization of Work at New Ventures. Harvard Business School Working Paper, No. 26-093, Juni 2026 (PDF-Metadaten datieren den Volltext auf 18. Juni 2026). hbs.edu/faculty/Pages/download.aspx?name=26-093.pdf
8. Shaw, S. D. und Nave, G. Thinking, Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. The Wharton School, University of Pennsylvania, SSRN Working Paper Nr. 6097646, eingestellt 2. Februar 2026.
9. Dell'Acqua, Fabrizio, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon und Karim R. Lakhani. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Harvard Business School Technology and Operations Management Unit Working Paper Nr. 24-013, 18. September 2023 (überarbeitet 27. September 2023); begutachtet erschienen in Organization Science (2025), DOI: 10.1287/orsc.2025.21838.
10. Work at the Frontier: How AI is expanding what people do at work. Caroline Chin und Alex Martin Richmond, OpenAI Economic Research, Juli 2026 (veröffentlicht 27. Juli 2026). https://openai.com/index/how-ai-is-expanding-what-people-do-at-work/
11. Julian Kirchherr, Karel Eloot, Sandra Durth, Ulf Schrader und Vincent Bérubé, mit Charlotte Seiler, Kira Rupietta, Kristina Störk, Marlene Senst, Séverine Fobe und Simon Gallot Lavallée: „HR Monitor 2026. A turning point for the people function". McKinsey & Company, People & Organizational Performance Practice, 8. Juni 2026, 44 Seiten. https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/hr-monitor.
12. Asmus Komm, Bryan Hancock und Sandra Durth, mit Christian Winnewisser: „Escaping the pilot trap: Building HR for the agentic era". McKinsey & Company, People & Organizational Performance Practice, 4. August 2026, 13 Seiten. https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/escaping-the-pilot-trap-building-hr-for-the-agentic-era.
13. Sir Martin Sorrell (Executive Chairman, S4 Capital, zuvor Gründer und langjähriger CEO von WPP), LinkedIn-Beitrag vom 24. Juli 2026, Ankündigung einer Folge des Podcasts The Business of Marketing mit Justin Cooke, aufgezeichnet bei den Cannes Lions. https://www.linkedin.com/posts/sir-martin-sorrell-35279a67_the-industry-is-focused-on-the-wrong-thing-share-7486440504973250560-NlkW/
14. Werbemarkt- und Plattformzahlen: WARC, The Future of Commerce Media 2025 (4. November 2025) sowie Global Ad Spend Forecast (Q2 2025 und Dezember 2025): Retail Media 174,9 Mrd. US-Dollar 2025, 196,7 Mrd. 2026, Anteil am Werbemarkt je nach Report 14,7 bis rund 16 Prozent; Alphabet, Amazon und Meta zusammen rund 55 Prozent des Werbemarkts außerhalb Chinas. GroupM/WPP Media, This Year Next Year (Dezember 2024): 176,9 Mrd. für Retail Media 2025. Amazon, Earnings Release Q2 2026 (30. Juli 2026): Werbeumsatz 19,8 Mrd., plus 26 Prozent. Meta, Earnings Call Q2 2026 (30. Juli 2026): Werbeumsatz 59,4 Mrd., plus 27 Prozent. Zuckerberg-Aussage: Stratechery-Interview mit Ben Thompson, 1. Mai 2025. Google Ads Blog, 15. April 2026 (AI-Max-Migrationszeitplan), bestätigt durch Search Engine Land, 14. August 2026. Marketing Brew, 7. April 2026.
15. Pflichtmitteilungen und Earnings-Kommunikation der Agenturholdings: WPP, Preliminary Results 2025 (26. Februar 2026) und Interim Results 2026 (6. August 2026), Gewinnwarnung vom 9. Juli 2025 mit Kursverlust von 16 Prozent (Bloomberg, Forbes); Publicis Groupe, Jahreszahlen 2025 (3. Februar 2026) und Halbjahreszahlen 2026 (16. Juli 2026); Omnicom, Fusionsabschluss mit Interpublic (26. November 2025) und Q2-Zahlen 2026 (28. Juli 2026); S4 Capital, Preliminary Results 2025 (23. März 2026) und Interim Results 2026 (5. August 2026).
16. ANA, In-House Agencies No Longer A Trend (Befragung Februar/März 2023, 162 Antwortende, Fünfjahresreihe seit 2008, Basis ANA-Mitglieder); Gartner, CMO Spend Survey 2025 (Pressemitteilung 12. Mai 2025, 402 CMOs); The CMO Survey der Duke-Universität, 35. Welle (Christine Moorman, Befragung Januar 2026, 308 Befragte); Klarna, Pressemitteilung vom 28. Mai 2024; Unilever, Unternehmensmeldung zu den Sketch-Pro-Studios, Juli 2025; ISBA/CvE, State of In-Housing 2023, nur einfach belegt und mit dieser Einschränkung geführt.
17. Statistisches Bundesamt (Destatis): "13,3 Millionen Erwerbspersonen erreichen in den nächsten 15 Jahren das gesetzliche Rentenalter", Pressemitteilung PD26_N039, Juni 2026, wonach bis 2040 rund 13,3 Millionen Erwerbspersonen und damit 30,0 Prozent aller Erwerbspersonen das Renteneintrittsalter überschreiten. https://www.destatis.de/DE/Presse/Pressemitteilungen/2026/06/PD26_N039_13.html.
18. Gartner-Erhebung unter 350 Großunternehmen mit jeweils über einer Milliarde US-Dollar Umsatz zu Personalabbau und wirtschaftlichem Erfolg von KI-Investitionen, Frühjahr 2026, mit der Kommentierung von Helen Poitevin (Gartner Research).
19. Marc Andreessen (Andreessen Horowitz) im Podcast 20VC von Harry Stebbings, Folge vom 30. März 2026, zur Überbesetzung großer Unternehmen: „Essentially, every large company is overstaffed. It's at least overstaffed by 25%. I think most large companies are overstaffed by 50%. I think a lot of them are overstaffed by 75%", sowie zum KI-Argument: „now they all have the silver bullet excuse, right? Ah, it's AI." https://podcasts.apple.com/us/podcast/20vc-marc-andreessen-on-the-future-of-venture/id958230465?i=1000758169390, sekundär bestätigt durch Fortune, 31. März 2026. Sam Altman (OpenAI) im CNBC-Interview am Rande des India AI Impact Summit, Neu-Delhi, 19. Februar 2026, ausschließlich zum KI-Argument: „there's some AI washing where people are blaming AI for layoffs that they would otherwise do, and then there's some real displacement by AI of different kinds of jobs." https://www.cnbc.com/video/2026/02/19/openai-sam-altman-india-ai-summit-full-interview.html
20. Jessica Liu und Douglas Webber. „AI Adoption and Firms' Job-Posting Behavior". FEDS Notes, Board of Governors of the Federal Reserve System, Washington D.C., 27. März 2026. DOI 10.17016/2380-7172.4026. https://www.federalreserve.gov/econres/notes/feds-notes/ai-adoption-and-firms-job-posting-behavior-20260327.html.
21. Ara Kharazian (Ramp), Lisa Simon (Revelio Labs) und Ryan Stevens (Ramp): "A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment." Working Paper, 30. Juni 2026. https://ramp.com/data/ai-jobs-impact
22. Michael Cembalest (Chairman of Market and Investment Strategy, J.P. Morgan Asset & Wealth Management). „Eye on the Market, Outlook 2026: Smothering Heights", Januar 2026: „65%-75% of S&P 500 returns, profits and capital spending since the launch of ChatGPT in 2022 have been derived from 42 companies linked to generative AI" https://am.jpmorgan.com/content/dam/jpm-am-aem/global/en/insights/eye-on-the-market/smothering-heights-amv.pdf.
23. Damisola Sulaiman: "Starling Bank to cut 130 jobs amid AI push." Sifted, 3. Juli 2026 (Erstmeldung: Financial Times, 3. Juli 2026); Finanzkennzahlen: Starling Bank, Annual Report 2026. https://sifted.eu/articles/starling-bank-job-cuts
24. Amy Coleman: "The latest in our company transformation." Microsoft Official Blog, 6. Juli 2026; ergänzend Todd Bishop: "Microsoft cuts 4,800 jobs, about 2% globally, revamps salesforce and launches massive Xbox overhaul." GeekWire, 6. Juli 2026. https://blogs.microsoft.com/blog/2026/07/06/the-latest-in-our-company-transformation/
25. "SAP Cuts Back Hiring, Travel to Fund 'Significant' AI Push." Bloomberg, 2. Juli 2026; bestätigt durch The Register, 2. Juli 2026, und Handelsblatt, Juli 2026. https://www.bloomberg.com/news/articles/2026-07-02/sap-restricts-hiring-travel-to-fund-significant-ai-push
26. Katie Paul und Jeff Horwitz: "Mark Zuckerberg had a bold plan to replace Meta staff with AI. Here's how it imploded." Reuters Special Report, 26. August 2026, gestützt auf interne Planungsunterlagen, Posts und Aufnahmen sowie mehr als zwanzig Gesprächspartner; Meta bestätigte gegenüber Reuters Existenz und Zweiwellenaufbau von Project OT und das Szenario einer Verkleinerung einzelner Teams um bis zu sechzig Prozent, bestritt aber die Absicht, sechzig Prozent der Gesamtbelegschaft abzubauen, und nannte die betroffenen Einheiten nicht. Zehn-Prozent-Reduktion vom 20. Mai 2026 (rund 8.000 Beschäftigte) unabhängig belegt über NPR, Al Jazeera und CNBC vom selben Tag; Headcount 75.472 zum 30. Juni 2026 und Capex-Prognose 130 bis 145 Milliarden Dollar nach Metas Q2-2026-Mitteilung vom 29. Juli 2026 (SEC Exhibit 99.1); Essay Mark Zuckerberg, "The Future is for Everyone", meta.com/thefutureisforeveryone, 10. August 2026. Deutschsprachige Rezeption: Alexander Amon, "Entlassungswelle eingebremst: Meta scheitert mit KI-Umbau der eigenen Firma", Der Standard, 1. September 2026, https://www.derstandard.at/story/3000000337646/
27. "Companies Warned AI Would Wipe Out Jobs. Now They're Not So Sure." The Wall Street Journal, 6. Juli 2026; Kürzungszahlen zusätzlich über Challenger, Gray & Christmas: "Challenger Report: June Layoffs Cool to 45,849, Down 53% From May; AI Leads Reasons for Fourth Consecutive Month", Juli 2026, sowie EY-Parthenon CEO Survey (46 zu 20 Prozent, nur sekundärquellenbelegt). https://www.wsj.com/tech/ai/ai-workers-tech-ceos-job-losses-afc71e15
28. "How tech workers are feeling in 2026: a workforce splitting in two". Noam Segal und Lenny Rachitsky, Lenny's Newsletter, 7. Juli 2026. https://www.lennysnewsletter.com/p/how-tech-workers-are-feeling-in-2026.
29. Gary Hamel und Michele Zanini: "Closing the AI Hype Gap", Arbeitspapier, Juni 2026, 13 Seiten (verifizierte Zweitbelege darin: Daron Acemoglu, "The Simple Macroeconomics of AI", Economic Policy 40(121), Januar 2025, TFP-Zuwachs 0,53 bis 0,66 Prozent über zehn Jahre; Penn Wharton Budget Model, 8. September 2025, KI-Beitrag zum TFP-Wachstum 2025 bei 0,01 Prozentpunkten). https://garyhamel.com/wp-content/uploads/2026/06/Closing-the-AI-Hype-Gap.pdf
30. Julie Ray: „Americans Cool Toward AI. After Two Years of Improving Attitudes Toward AI, Americans Turn Skeptical". Gallup, 28. Juli 2026. https://news.gallup.com/poll/712751/americans-cool-toward.aspx.
31. The AI Disruption: From Doomsday Destruction to Do-Nothing Bots! Aswath Damodaran, Musings on Markets (Blogspot) und Substack, März 2026. https://aswathdamodaran.blogspot.com/2026/03/ai-scenarios-from-economic-doomsday-to.html
32. Dany Bahar und Greg C. Wright: "New evidence on data center employment effects" (gestützt auf das Working Paper "Data Centers and Local Labor Markets"). Brookings Institution, 4. Mai 2026. https://www.brookings.edu/articles/new-evidence-on-data-center-employment-effects/
33. Patrick Franke und Adrian Keppler: „KI: Wer hat Angst vorm digitalen Mann?". Reihe „Im Fokus: KI", Helaba Research, Landesbank Hessen-Thüringen Girozentrale, 18. August 2026, 6 Seiten; Redaktion Dr. Stefan Mitropoulos, verantwortlich Dr. Gertrud Rosa Traud, Chefvolkswirtin.
34. Andrea Nahles, Vorstandsvorsitzende der Bundesagentur für Arbeit, im Interview mit dem Deutschlandfunk: „BA-Vorstandsvorsitzende Nahles: Noch 162.000 freie Ausbildungsstellen für dieses Jahr", veröffentlicht am 15. August 2026. https://www.deutschlandfunk.de/ba-vorstandsvorsitzende-nahles-noch-162-000-freie-ausbildungsstellen-fuer-dieses-jahr-102.html. Der Teil zu den Widerspruchsverfahren ist über die dts Nachrichtenagentur vom 16. August 2026 wiedergegeben, unter anderem bei HASEPOST, https://hasepost.de/mehr-ki-widersprueche-bei-arbeitsagentur-743989/, und in der Oldenburger Onlinezeitung, https://www.oldenburger-onlinezeitung.de/nachrichten/arbeitsagentur-erfasst-mehr-widersprueche-wegen-ki-223513.html, sowie in Die Zeit, Ressort Arbeit, August 2026.
35. Bundesagentur für Arbeit: „Bürgergeld: Widersprüche und Klagen im Jahr 2025", Presseinfo Nr. 3, Nürnberg, 13. Januar 2026. https://www.arbeitsagentur.de/vor-ort/saarland/presse/2026-3-burgergeld-widerspruche-und-klagen-im-jahr-2025.
36. Skills in the AI age. OECD Artificial Intelligence Papers, No. 60, verfasst von Elif Köksal-Oudot unter Leitung von Molly Lesher, OECD Publishing, Paris, veröffentlicht 3. Juli 2026. https://doi.org/10.1787/972bd15e-en
37. U.S. Bureau of Labor Statistics: „Artificial Intelligence (AI) exposure categories“, Employment Projections Program, veröffentlicht am 27. August 2026. https://www.bls.gov/emp/publications/ai-exposure-categories.htm, samt Datentabelle „AI exposure categories and 2025-35 employment projections“, https://www.bls.gov/emp/ind-occ-matrix/ai-exposure-categories.xlsx, abgerufen am 28. August 2026. Rahmenmeldung: U.S. Bureau of Labor Statistics, „Employment Projections 2025-2035“, News Release, 27. August 2026, https://www.bls.gov/news.release/ecopro.nr0.htm.
38. AI Economic Indicators: June 2026 Update. Research Note No. 1, Stanford Digital Economy Lab (Direktor Erik Brynjolfsson), 10. Juni 2026. https://digitaleconomy.stanford.edu/app/uploads/2026/06/AIEI_RN01_Jun26.pdf; Plattform indicators.stanford.edu
39. Anders Humlum und Emilie Vestergaard. „Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI". NBER Working Paper Nr. 33777, erstmals Mai 2025, hier zitierte revidierte Fassung vom 13. März 2026, 130 Seiten, DOI 10.3386/w33777. https://www.nber.org/papers/w33777. Die Arbeit lief früher unter dem Titel „Large Language Models, Small Labor Market Effects"; ältere Fassungen unter diesem Titel sind überholt.
40. Massenkoff, M. und McCrory, P. (2026). Labor market impacts of AI: A new measure and early evidence. Anthropic (Forschungsnotiz), 5. März 2026. https://www.anthropic.com/research/labor-market-impacts
41. Analyse der Arbeitslosenquote nach KI-Expositionsquintilen (2022 bis Anfang 2025): oberstes Quintil +0,30 Prozentpunkte, unterstes Quintil +0,94 Prozentpunkte. Sarah Eckhardt, Nathan Goldschlag. Economic Innovation Group, 10. August 2025. https://eig.org/ai-and-jobs-the-final-word/
42. 2026 Corporate Recruiters Survey Report. Graduate Management Admission Council (GMAC), mit EFMD und Career Services and Employer Alliance, Erhebungszeitraum Januar bis Mai 2026. https://www.gmac.com/market-intelligence-and-research/research-library/employment-outlook/2026-corporate-recruiters-survey-report
43. Looking for the Ladder: Is AI Impacting Entry-Level Jobs? Zanna Iscenko, Fabien Curto Millet. Economic Innovation Group, The American Worker Project, Jänner 2026 (begleitend veröffentlicht 14. Januar 2026 auf Agglomerations). eig.org/wp-content/uploads/2026/01/TAWP-Iscenko-Millet.pdf
44. The Broken Ladder: AI, Remote Work, and Early-Career Hiring. Peter John Lambert, Yannick Schindler. Working Paper, London School of Economics, 18. Mai 2026. SSRN 6787638, DOI 10.2139/ssrn.6787638, papers.ssrn.com/sol3/papers.cfm?abstract_id=6787638
45. Remote Work Leaves Younger Workers Sidelined. Natalia Emanuel, Emma Harrington, Amanda Pallais. Federal Reserve Bank of New York, Liberty Street Economics, 1. Juni 2026, DOI 10.59576/lse.20260601. libertystreeteconomics.newyorkfed.org/2026/06/remote-work-leaves-younger-workers-sidelined/
46. Magnus Lodefalk, Lydia Löthman, Michael Koch, Erik Engberg: „Same Storm, Different Boats: Generative AI and the Age Gradient in Hiring“. Working Paper, Örebro University School of Business, ORU Working Paper 2/2026 (Economics), zugleich Ratio Working Paper 388, Fassung v2 vom 16. März 2026, Stand der Begutachtung: Revise and Resubmit bei Economics Letters. https://www.oru.se/globalassets/oru-sv/institutioner/hh/workingpapers/workingpapers2026/wp-2-2026.pdf; jeweils aktuellste Fassung unter https://www.ai-econlab.com/papers, Nachweis unter https://swopec.hhs.se/ratioi/abs/ratioi0388.htm.
47. Daten- & KI-Skills im Arbeitsmarkt 2026, Österreich. Aloisious Caraet, Simona Hübl, Maximilian Fischer. Nejo und data:unplugged, Datenstand 1. Mai 2026, veröffentlicht 24. Juni 2026. Berichterstattung: Hannah Fasching, "Studie zu KI-Arbeitsmarkt, Nur knapp 8 Prozent Junior-Ausschreibungen", Brutkasten, 25. Juni 2026, brutkasten.com/artikel/studie-zu-ki-arbeitsmarkt-nur-knapp-8-prozent-junior-ausschreibungen
48. Hellwagner, Timon, und Enzo Weber. Generation Z so häufig im Arbeitsmarkt wie junge Leute seit Jahrzehnten nicht. IAB-Forum, 10. August 2026. https://iab-forum.de/generation-z-so-haeufig-im-arbeitsmarkt-wie-junge-leute-seit-jahrzehnten-nicht/. Datenbasis Mikrozensus und Statistik der Bundesagentur für Arbeit. Die Aufschlüsselung nach Studierenden und Nichtstudierenden für den Zeitraum 2015 bis 2023 stammt aus der vorangegangenen IAB-Presseinformation "Generation Z: Erwerbsbeteiligung der 20- bis 24-Jährigen klettert auf den höchsten Stand seit Jahrzehnten" vom 17. Februar 2025, https://iab.de/presseinfo/generation-z-erwerbsbeteiligung-der-20-bis-24-jaehrigen-klettert-auf-den-hoechsten-stand-seit-jahrzehnten/.
49. ifo Institut. „Unternehmen erwarten eher sinkende Löhne durch Einsatz von Künstlicher Intelligenz". ifo Konjunkturumfrage, Meldung vom 12. August 2026. https://www.ifo.de/fakten/2026-08-12/unternehmen-erwarten-eher-sinkende-loehne-durch-einsatz-von-kuenstlicher
50. Christian Schumacher, Can Tihanyi, Andreas Schumacher: "State of AI Workforce · Austria · 2026". Selbstpublizierter Forschungsreport, 70 Seiten, ISBN 978-3-200-11326-8, Mai 2026, Version 1.0, samt Practitioner-Fassung (34 Seiten). www.stateofai.at, PDFs unter stateofai.at/downloads/State_of_AI_Austria_2026.pdf und stateofai.at/downloads/practitioner-report.pdf. Autoren: Christian Schumacher (Institute for Strategic Management, WU Wien), Can Tihanyi (Institute for International Business, WU Wien), Andreas Schumacher (Chief Innovation Officer, VTU Group). Anlass der Aufnahme: Michael Köttritsch, "Wie Österreichs KI-Potenzial am Personal scheitert", Die Presse, 14. August 2026, https://www.diepresse.com/41173110/wie-oesterreichs-ki-potenzial-am-personal-scheitert.
51. "AI-Native Firms". Hyunjin Kim und Rembrand Koning, Harvard Business School Working Paper Nr. 26-090, 9. Juni 2026. https://www.hbs.edu/ris/Publication%20Files/26-090_96f92aa0-37d9-4789-beaa-5c0cb87a4032.pdf (parallel auf SSRN: papers.ssrn.com/sol3/papers.cfm?abstract_id=6905079).
52. "AEO Job Openings in 2026: Salary Data, Hiring Trends, and Market Insights." Kaleigh Moore, kaleighmoore.com, 6. Juli 2026. https://www.kaleighmoore.com/blog/2026/7/6/ai-search-jobs
53. "Gartner Predicts 60% of Organizations Will Adopt Smaller Software Engineering Teams by 2029." Gartner Newsroom, Pressemitteilung (Analystin Aliyah Camacho), Stamford, 7. Juli 2026. https://www.gartner.com/en/newsroom/press-releases/2026-07-07-gartner-predicts-60-percent-of-organizations-will-adopt-smaller-software-engineering-teams-by-2029
54. Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom, Philip Bunn, Steven J. Davis u.a.: "Firm Data on AI." NBER Working Paper No. 34836, National Bureau of Economic Research, Februar 2026 (revidierte Fassung März 2026); Datengrundlage u.a. Survey of Business Uncertainty der Federal Reserve Bank of Atlanta. https://www.nber.org/papers/w34836
55. David Strömberg (Universität Stockholm), Victor Lei und Yanhui Wu (Universität Hongkong): „The Generative AI Learning Penalty. Evidence from Chinese Secondary Education“. CEPR Discussion Paper DP21577, 2. Juni 2026, gespiegelt auf SSRN, DOI 10.2139/ssrn.6977138, nicht begutachtet.
56. "When Everyone Uses AI, Companies Risk Losing Critical Skills." Sagar Goel, David Martin, Charikleia Kaffe. BCG / BCG Henderson Institute, 17. Juni 2026. https://www.bcg.com/publications/2026/when-everyone-uses-ai-companies-risk-critical-skills
57. Drei Quellen: (1) Anam Butt, Janine Berg, "Gen AI, occupational segregation and gender equality in the world of work", ILO Research Brief, 5. März 2026, DOI 10.54394/00033798, https://www.ilo.org/publications/gen-ai-occupational-segregation-and-gender-equality-world-work; (2) Mauro Cazzaniga et al., "Gen-AI: Artificial Intelligence and the Future of Work", IMF Staff Discussion Note SDN/2024/001, Januar 2024, https://www.imf.org/-/media/files/publications/sdn/2024/english/sdnea2024001.pdf; (3) "Algorithm and Eve: How AI will impact women at work", OECD Policy Brief, Dezember 2024, DOI 10.1787/a1603510-en, https://www.oecd.org/en/publications/2024/12/algorithm-and-eve_0e889c45.html
58. Virginia Sondergeld, Katharina Wrohlich, Julia Redelings: „Transformationspotenzial durch KI betrifft ebenso Männer wie Frauen auf dem Arbeitsmarkt". DIW Wochenbericht Nr. 14+15/2026, 93. Jahrgang, Deutsches Institut für Wirtschaftsforschung, Berlin, 1. April 2026, S. 235 bis 241, DOI 10.18723/diw_wb:2026-14-1. Erstautorin Sondergeld ist Economist im Indeed Hiring Lab und Gastwissenschaftlerin in der Forschungsgruppe Gender Economics des DIW; der verwendete Index stammt von Indeed.
59. Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari. „The GenAI Divide: State of AI in Business 2025". MIT NANDA (Project NANDA, MIT Media Lab), Fassung v0.1, Titelblattdatum Juli 2025, 26 Seiten, breit rezipiert ab August 2025. Die ursprüngliche MIT-Adresse nanda.media.mit.edu/ai_report_2025.pdf ist nicht mehr abrufbar und leitet auf die Gruppenseite um; zitierfähig sind nur Spiegelkopien, kein DOI. Der Bericht bezeichnet sich selbst als „Preliminary Findings" ohne Begutachtung.
60. Alex Singla, Alexander Sukharevsky, Lareina Yee und Michael Chui, mit Bryce Hall und Tara Balakrishnan. „The state of AI in 2025: Agents, innovation, and transformation". QuantumBlack, AI by McKinsey / McKinsey & Company, 5. November 2025. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai.
61. Noy, Shakked und Whitney Zhang. Experimental evidence on the productivity effects of generative artificial intelligence. Science, Band 381, Ausgabe 6654, 13. Juli 2023, S. 187-192. DOI: 10.1126/science.adh2586.
62. Appel, R., Massenkoff, M., McCrory, P. et al. (2026). Anthropic Economic Index report: Economic primitives. Anthropic, 15. Januar 2026. https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
63. Iscenko, Z., Strand, S., Manyika, J. et al. AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy. Google und Google DeepMind, 23. Juli 2026. https://ai.google/static/documents/GoogleATLASv1.pdf
64. Institut für Arbeitsmarkt- und Berufsforschung (IAB) der Bundesagentur für Arbeit, Nürnberg. Substituierbarkeitspotenziale der Berufe 2022, IAB-Kurzbericht 05/2024 (Zeitreihe 2013-2022), sowie das Online-Werkzeug Job-Futuromat. https://doku.iab.de/kurzber/2024/kb2024-05.pdf ; https://job-futuromat.iab.de/ Ergänzend das Interview mit Britta Matthes und Katharina Grienberger, geführt von Christiane Keitel: „Es geht nicht darum, was KI uns wegnehmen könnte, sondern welche Chancen entstehen". IAB-Forum, 11. Mai 2026, https://iab-forum.de/es-geht-nicht-darum-was-ki-uns-wegnehmen-koennte-sondern-welche-chancen-entstehen/. Unabhängig belegt durch die Verordnung über die Berufsausbildung zum Steuerfachangestellten und zur Steuerfachangestellten vom 3. August 2022, Bundesgesetzblatt 2022 Teil I Nummer 30, in Kraft seit 1. August 2023, die die Verordnung vom 9. Mai 1996 ablöst. Das Werkzeug selbst wurde im Januar 2026 neu aufgesetzt.
65. IW Consult GmbH im Auftrag von eco, Verband der Internetwirtschaft e.V. Der Deutschland-Case: Wie KI das industrielle Geschäftsmodell erneuert. Veröffentlicht 7. Juli 2026. https://www.eco.de/der-deutschland-case-wie-ki-das-industrielle-geschaeftsmodell-erneuert/
66. Joachim Nagel: "Already Here, Not Yet Everywhere: Shaping the Economic Impact of Artificial Intelligence", Keynote beim International Economic Symposium, Rom, 21. April 2026, Deutsche Bundesbank. https://www.bundesbank.de/en/press/speeches/already-here-not-yet-everywhere-shaping-the-economic-impact-of-artificial-intelligence-994048
67. David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. The American Economic Review, Bd. 80, Heft 2, Mai 1990, S. 355-361. https://www.jstor.org/stable/2006600
68. "From GenAI to Agentic AI. Operating-model shift in financial services". Wavestone und Institut für Wirtschaftsinformatik der Universität St. Gallen (Eugen Ensinger, Luc-Phillip Heidel, Jan Marco Leimeister, Mahei Manhai Li, Teresa Grauer), 9. Juli 2026. https://www.wavestone.com/de/insight/agentic-ai-in-financial-services-2/.
69. The Department of State Generative AI Playbook. A practical guide for U.S. government agencies developing and scaling enterprise AI solutions. U.S. Department of State, Bureau of Diplomatic Technology, Center for Analytics, Washington, Juli 2026, 39 Seiten. https://www.state.gov/wp-content/uploads/2026/07/DOS-Generative-AI-Playbook_July-2026.pdf
70. Notion Research. The Great Renovation: The State of Global AI Transformation. Notion Labs, 2026 (Feldzeit 19. März bis 19. Mai 2026, Erhebungspartner Qualtrics). https://www.notion.com/resources/inside-the-ai-transformation
71. G-P (Globalization Partners). AI at Work: The 2026 Reality Check. Feldarbeit Wakefield Research (6. bis 16. März 2026), veröffentlicht 12. Mai 2026. https://www.globalization-partners.com/resources/report-ai-at-work-2026/
72. Global AI Pulse Q2 2026. From deployment to value realization. KPMG International, Juni 2026. https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2026/06/global-ai-pulse-q2.pdf
73. „Uber burned through its entire 2026 AI budget in four months. Now its COO is questioning whether it’s worth it.“ Fortune, 26. Mai 2026. https://fortune.com/2026/05/26/uber-coo-ai-spending-tokens-claude-code/
74. Uber Technologies, Inc., Q2-2026-Earnings-Call vom 5. August 2026, Aussagen von Finanzvorstand Balaji Krishnamurthy zu Kosten je Token, Adoptionsgrad der KI-Programmierwerkzeuge und Einstellungstempo; Transkript über Investing.com, bestätigt durch Larry Dignan: „Uber controls token spend, outlines AI use cases.“ Constellation Research, 5. August 2026. https://www.constellationr.com/insights/news/uber-controls-token-spend-outlines-ai-use-cases
75. Praveen Neppalli Naga (Chief Technology Officer, Uber), Beitrag auf X vom 5. August 2026 zu den vier Effizienzhebeln und zum Ende der sogenannten Tokenmaxxing-Epoche. https://x.com/praveenTweets
76. Top SaaS Vendors on Ramp (July 2026). Ara Kharazian, Ramp Economics Lab, 15. Juli 2026. https://ramp.com/data/top-saas-vendors-on-ramp-july-2026
77. Direction de la recherche, des études, de l'évaluation et des statistiques (DREES): „Fiche 12, L'imagerie médicale“. In: Les dépenses de santé en 2024. Résultats des comptes de la santé, Édition 2025, Reihe Panoramas de la DREES, Seiten 78 bis 80, veröffentlicht am 30. September 2025. https://www.drees.solidarites-sante.gouv.fr/sites/default/files/2025-09/CNS%20-%20Fiche%2012%20-%20L%27imagerie%20m%C3%A9dicale.pdf.
78. Katja Schwabe, Denis Ferizaj, Sandra Neumann, Sandra Strube-Lahmann und Nils Lahmann. „Time Savings Through an AI Speech Assistant for Nursing Documentation: Pre-Post Time-Motion Study in German Long-Term Care". Journal of Medical Internet Research 2026;28:e86078, veröffentlicht 8. April 2026. DOI 10.2196/86078. https://www.jmir.org/2026/1/e86078/.
79. Microsoft WorkLab, Breaking down the infinite workday (Special Report, 17. Juni 2025, Telemetriedaten und Edelman-Data-x-Intelligence-Befragung); sowie Mark, G., Gudith, D., Klocke, U. (2008). The Cost of Interrupted Work: More Speed and Stress. ACM CHI 2008.
80. Hamsa Bastani (Wharton School), Osbert Bastani (Department of Computer and Information Science, School of Engineering and Applied Science), Alp Sungu, Haosen Ge, Özge Kabakcı und Rei Mariman, University of Pennsylvania: „Generative AI without guardrails can harm learning. Evidence from high school mathematics". Proceedings of the National Academy of Sciences 122(26), e2422633122, 25. Juni 2025, DOI 10.1073/pnas.2422633122, begutachtet. https://www.pnas.org/doi/10.1073/pnas.2422633122 Die Correction in PNAS 122(34), DOI 10.1073/pnas.2518204122 vom 20. August 2025, betrifft ausschließlich eine Affiliationsangabe und keinen Zahlenwert.
81. Taha Choukhmane, Tim de Silva, Weidong Lin und Matthew Akuzawa. "AI Financial Advice: Supply, Demand, and Life Cycle Implications". arXiv:2608.01607v1, 3. August 2026, 92 Seiten. Working Paper ohne Begutachtung, parallel geführt als SSRN Working Paper Nr. 6446286. https://arxiv.org/abs/2608.01607.
82. Ebenda ([2]).
83. Bret Taylor und Clay Bavor. „Better customer experiences, built on Sierra". Unternehmensblog von Sierra, 4. Mai 2026: „We're raising $950 million from new and existing investors, led by Tiger Global and GV, at a valuation of over $15 billion." https://sierra.ai/blog/better-customer-experiences-built-on-sierra, wortgleich von Taylor auf X.
84. Measuring AI Ability to Complete Long Tasks. Kwa, T. et al., METR, arXiv:2503.14499, März 2025. https://arxiv.org/pdf/2503.14499
85. "Can AI agents conduct open-ended AI research? Early evidence from two case studies". Peter Kirgis, Sayash Kapoor, Arvind Narayanan und 21 weitere Autorinnen und Autoren, Projekt CRUX (Princeton University), arXiv-Preprint arXiv:2607.27191, eingereicht 29. Juli 2026. https://arxiv.org/abs/2607.27191.
86. Renting is stressful. Millions of renter conversations tell us why. a16z New Media (Andreessen Horowitz), 23. Juli 2026. https://www.a16z.news/p/renting-is-stressful-millions-of
87. Investitionen der großen Cloud-Anbieter für 2026. Eckwerte: Financial Times, 30. April 2026; Morgan Stanley, 3. Mai 2026; CNBC, 6. Februar 2026; Bank für Internationalen Zahlungsausgleich, Jahresbericht 2026.
88. Arman Shehabi, Alex Newkirk, Sarah J. Smith, Alex Hubbard, Nuoa Lei, Md Abu Bakar Siddik, Billie Holecek, Jonathan Koomey, Eric Masanet und Dale Sartor. „2024 United States Data Center Energy Usage Report". Lawrence Berkeley National Laboratory im Auftrag des US-Energieministeriums, LBNL-2001637, Dezember 2024, DOI 10.71468/P1WC7Q. https://eta-publications.lbl.gov/sites/default/files/2024-12/lbnl-2024-united-states-data-center-energy-usage-report_1.pdf. Fortgeschrieben durch das „United States Data Center Energy Usage Report: 2025 Update", LBNL, Juni 2026.
89. Bank für Internationalen Zahlungsausgleich. „Annual Economic Report 2026", Kapitel I „Progress and peril", 28. Juni 2026: „The scale and pace of the current AI investment boom accompanied by expectations of large productivity payoffs bear resemblance to these precedents, highlighting potential downside risks in the near term." https://www.bis.org/publ/arpdf/ar2026e1.htm. Für das amerikanische Finanzministerium existiert keine öffentliche Primärquelle; es handelt sich um einen internen, bislang unveröffentlichten Analyseentwurf von Fachbeamten an Finanzminister und Aufsicht, über den NOTUS am 6. Juli 2026 exklusiv berichtete. https://www.notus.org/economy/treasury-internal-report-warning-dangers-ai-bubble.
90. The Nature of the Firm. Ronald H. Coase, Economica, New Series, Vol. 4, No. 16, 1937, S. 386-405.
91. Korn Ferry: Workforce 2025: Power Shifts, 7. April 2025, kornferry.com/insights/featured-topics/workforce-management-articles/workforce-planning-insights; Fast Company, Ashley Herd: Everyone wants to kill the middle manager role. The data says don't do it, 1. Juni 2026.
92. The agentic organization: Contours of the next paradigm for the AI era. Alexander Sukharevsky, Alexis Krivkovich, Arne Gast, Arsen Storozhev, Dana Maor, Deepak Mahadevan, Lari Hämäläinen, Sandra Durth, McKinsey & Company, 26. September 2025. mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-agentic-organization-contours-of-the-next-paradigm-for-the-ai-era
93. Warp CEO Zach Lloyd on why software factories are the next phase of coding. Richard MacManus (Interview mit Zach Lloyd), Latent Space, 1. Juli 2026. latent.space
94. From anxiety to advantage: A marketing organization that thrives with AI. Jacob Ader, Julien Boudet, Kelsey Robinson, Heather Gouinlock, Jim Lecinski, McKinsey & Company, Growth, Marketing & Sales Practice, 22. Juni 2026. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/from-anxiety-to-advantage-a-marketing-organization-that-thrives-with-ai
95. Human-Centered Large Language Models. Reflections and New Directions. Dora Zhao, Caleb Ziems, Ahmad Rushdi, James Landay, Diyi Yang, Stanford University, Institute for Human-Centered Artificial Intelligence (HAI), Industry Report, Juni 2026. hai.stanford.edu
96. Amtliche Arbeitsmarktstatistiken der EU und der DACH-Länder: Eurostat EU Labour Force Survey (Statistisches Amt der Europäischen Union), Statistisches Bundesamt (Destatis, Deutschland), Statistik Austria, Bundesamt für Statistik (BFS, Schweiz) sowie Bundesagentur für Arbeit (Deutschland). https://ec.europa.eu/eurostat ; https://www.destatis.de/ ; https://www.statistik.at/ ; https://www.bfs.admin.ch/
97. Eurostat. Statistisches Amt der Europäischen Union, EU Labour Force Survey und ICT usage in enterprises (Datenbanktabelle isoc_eb_ai); Eurostat News, "20% of EU enterprises used Artificial Intelligence in 2025", 11. Dezember 2025. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2
98. Cedefop, Europäisches Zentrum für die Förderung der Berufsbildung. Skills Intelligence, Skills Forecast 2025 (Technical Report) und Skills-OVATE (Online Vacancy Analysis Tool for Europe). https://www.cedefop.europa.eu/en/tools/skills-intelligence
99. Stanford Institute for Human-Centered Artificial Intelligence (HAI). "The 2026 AI Index Report", Kapitel Economy. Stanford University, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy. Stanford HAI, "The 2025 AI Index Report", https://hai.stanford.edu/ai-index/2025-ai-index-report.
100. Rodríguez-Pose, Andrés und Federico Bartalucci. A Union under siege, or a Union besieging itself? The EU's new budget and the future of European integration. Global Challenges & Regional Science, 7 (2026), 100037, online 19. Juni 2026. DOI: 10.1016/j.gcrs.2026.100037.
101. AI-Econ Lab (2026): AIEL Monitor, Module Exposure, Demand und Adoption. Örebro University und Ratio. https://ai-econlab.com/monitor/, abgerufen am 14. August 2026.
102. Bonin, Holger, Martin Ertl, Ines Fortin, Daniela Grozea-Helmenstein, Jaroslava Hlouskova, Helmut Hofer, Sebastian P. Koch, Robert M. Kunst, Michael Reiter, Felix Schröter und Klaus Weyerstraß. Export stützt verhaltenes Wachstum. Prognose der österreichischen Wirtschaft 2026 bis 2030. Wirtschaftsprognose / Economic Forecast Nr. 143, Institut für Höhere Studien (IHS), Wien, Juli 2026 (Sperrfrist 16. Juli 2026, 10:00 Uhr). https://www.ihs.ac.at/de/datencenter/konjunkturprognose/
103. The Stepstone Group. „Stepstone Analyse: Weniger Einstiegsjobs, längere Bewerbungsprozesse". Pressemitteilung, 12. August 2025. https://www.eqs-news.com/news/media/stepstone-analyse-weniger-einstiegsjobs-laengere-bewerbungsprozesse/0150ee69-c13f-46d2-bee7-06734cdb295c_de.
104. Verein Deutscher Ingenieure (VDI) und Institut der deutschen Wirtschaft (IW Köln), Axel Plünnecke: „Ingenieurmonitor 2025/IV: Der regionale Arbeitsmarkt in den Ingenieurberufen. Sonderteil: Ausblick bis 2040", veröffentlicht am 3. August 2026, Berichtszeitraum viertes Quartal 2025, Datengrundlage Sonderauswertungen der Bundesagentur für Arbeit. https://www.iwkoeln.de/studien/axel-pluennecke-der-regionale-arbeitsmarkt-in-den-ingenieurberufen-sonderteil-ausblick-bis-2040.html. Zweitbelege: heise online, „IT-Jobs: Weniger Stellenangebote, Arbeitslosigkeit steigt", 4. August 2026, https://www.heise.de/news/IT-Jobs-Weniger-Stellenangebote-Arbeitslosigkeit-steigt-11398441.html; ingenieur.de, 4. August 2026.
105. Bundesagentur für Arbeit: „Arbeitsmarkt in der Informations- und Kommunikationstechnik (IKT) im Spannungsfeld: Konjunkturelle Schwäche trifft auf strukturellen Wandel". Presseinfo Nr. 24, Nürnberg, 3. Juli 2026, auf Basis des Berichts „Arbeitsmarkt IT-Fachleute" der BA-Statistik. https://www.arbeitsagentur.de/presse/2026-24-arbeitsmarkt-in-der-informations-und-kommunikationstechnik-ikt-im-spannungsfeld-konjunkturelle-schwaeche-trifft-auf-strukturellen-wandel. Zweitbeleg: heise online, 4. August 2026.
106. Jeremias Kläui und Michael Siegenthaler. „KI und der Schweizer Arbeitsmarkt. Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen". KOF Studien Nr. 186, KOF Konjunkturforschungsstelle der ETH Zürich, Oktober 2025, begleitende Meldung vom 27. Oktober 2025. https://ethz.ch/content/dam/ethz/special-interest/dual/kof-dam/documents/newsletter/KOF_Studie_KI_Schweizer_Arbeitsmarkt.pdf.
107. Annalisa Ferrando, Sofia Lamboglia, Judit Rariga und Mathis Schmidt. „Adoption and investment in AI across the euro area: Insights from harmonised firm-level data". EZB Occasional Paper Nr. 395, 28. Juli 2026, DOI 10.2866/6856108. https://www.ecb.europa.eu/pub/pdf/scpops/ecb.op395.en.pdf. Ergänzend EZB, Wirtschaftsbericht 2/2026, Kasten vom 31. März 2026, und EZB-Blog von Laura Lebastard und David Sondermann vom 4. März 2026.
108. Erik Engberg, Holger Görg, Magnus Lodefalk, Farrukh Javed, Martin Längkvist, Natália Monteiro, Hildegunn Kyvik Nordås, Giuseppe Pulito, Sarah Schroeder und Aili Tang. "AI Unboxed and Jobs: A Novel Measure and Firm-Level Evidence from Three Countries". IZA Discussion Paper Nr. 16717, Institute of Labor Economics, Bonn, Januar 2024. https://docs.iza.org/dp16717.pdf. Grundlagenpapier des Dynamic AI Occupational Exposure Index (DAIOE) des AI-Econ Lab an der Universität Örebro, Indexdaten öffentlich unter https://www.ai-econlab.com/ai-exposure-daioe. Working Paper ohne Begutachtung.
109. Marc Brupbacher, Olaf König, Patrick Vögeli. "Wie stark lässt sich Ihr Job automatisieren?" (Reihe "400 Berufe im KI-Check"). Tages-Anzeiger, 2. August 2026. https://www.tagesanzeiger.ch/ki-im-job-welche-berufe-in-der-schweiz-am-staerksten-gefaehrdet-sind-698429113886. Abo-Artikel.
110. OECD. Indicators of Employment Protection, Datensatz DSD_EPL (OECD.ELS.JAI), Länderwerte bis Referenzjahr 2025, OECD-Durchschnitt bis 2024, Skala 0 bis 6. Methodik: OECD (2020), „Recent trends in employment protection legislation", in: OECD Employment Outlook 2020. https://data-explorer.oecd.org/vis?df[ds]=DisseminateFinalDMZ&df[id]=DSD_EPL@DF_EPL&df[ag]=OECD.ELS.JAI.
111. Deutschland: Bundesagentur für Arbeit, Geschäftsbericht 2020, Nürnberg: „Im April 2020, dem Monat mit der höchsten Inanspruchnahme, haben Unternehmen für 6,00 Millionen Menschen Kurzarbeitergeld erhalten." https://www.arbeitsagentur.de/datei/geschaeftsbericht-2020_ba032090.pdf. Österreich: AMS Österreich, Spezialthema zum Arbeitsmarkt 08/2020, Ende April 2020 waren 1.010.267 Personen in Kurzarbeit, 29 Prozent der aktiv Beschäftigten; der Rechnungshof beziffert in seinem Bericht „COVID-19-Kurzarbeit" (Reihe BUND 2022/7, Februar 2022) den tatsächlich abgerechneten Höchststand im April 2020 mit 1.043.152 Personen.
112. McKinsey & Company. Führungskräfte-Erhebung von Anfang 2018 zu Umschulung versus Neueinstellung (94 Prozent europäische gegenüber 62 Prozent amerikanische Führungskräfte).
113. Ingka Group: „AI and Remote Selling bring IKEA design expertise to the many", Newsroom-Mitteilung, 29. Juni 2023, https://www.ingka.com/newsroom/ai-and-remote-selling-bring-ikea-design-expertise-to-the-many/. Fortgeschrieben durch Fortune: „Inside Ikea’s big bet on humans in the age of AI", 30. Juli 2026, https://fortune.com/2026/07/30/ikea-ai-workforce-reskilling-jobs-billie-chatbot-global-500/. Stellenabbau 2026 nach Personnel Today: „Ikea retailer to cut 800 office jobs", 20. März 2026, https://www.personneltoday.com/hr/ikea-retailer-to-cut-800-office-jobs/, und Retail Dive: „Ikea franchisor to cut 850 jobs", Mai 2026, https://www.retaildive.com/news/inter-ikea-group-layoffs-cut-850-jobs/820614/.
114. Shapiro, Dan. 0%, 50%, or 200%. Blogbeitrag, 28. Juli 2026. https://www.danshapiro.com/blog/2026/07/0-50-or-200/
115. Institut für Arbeitsmarkt- und Berufsforschung (IAB) der Bundesagentur für Arbeit (Leitung Enzo Weber): IAB-Presseinfo "IAB-Prognose für 2025/2026: Arbeitsmarkt profitiert von Fiskalpaketen, wird aber durch den demografischen Wandel gebremst", 24. September 2025, https://iab.de/presseinfo/iab-prognose-fuer-2025-2026-arbeitsmarkt-profitiert-von-fiskalpaketen-wird-aber-durch-den-demografischen-wandel-gebremst/, bestätigt durch die IAB-Frühjahrsprognose, berichtet über dpa-AFX am 24. März 2026 ("IAB: Deutsches Erwerbspersonenpotenzial sinkt 2026 erstmals").
116. Markus Hoch und Philipp Kreuzer. „Demografie als Wachstumshemmnis. Arbeitsmarktszenarien für Österreich". Prognos AG, Freiburg, November 2025, kommuniziert am 10. Dezember 2025. https://www.prognos.com/sites/default/files/2025-11/202511_Prognos_Demografie_als_Wachstumshemmnis_Arbeitsmarktszenarien_Oesterreich.pdf.
117. Robert Stehrer, Laura Zilian und Marcus Knapp. Studie des Wiener Instituts für Internationale Wirtschaftsvergleiche (wiiw) im Auftrag des Bundesministeriums für Arbeit und Wirtschaft zum österreichischen Arbeitskräftemangel, veröffentlicht am 13. Januar 2025. https://wiiw.ac.at/studie-arbeitskraeftemangel-koennte-oesterreichs-wachstum-mittelfristig-gefaehrden-n-663.html.
118. economiesuisse: Dossier Politik "Demografische Entwicklung: Die Pensionierungswelle reisst grosse Lücken auf", https://www.economiesuisse.ch/de/dossier-politik/demografische-entwicklung-die-pensionierungswelle-reisst-grosse-luecken-auf; ergänzend Bundesamt für Statistik (BFS), Bevölkerungsszenarien / "Generationen auf dem Arbeitsmarkt", https://www.bfs.admin.ch/bfs/de/home/statistiken/arbeit-erwerb/erwerbstaetigkeit-arbeitszeit/alter-generationen-pensionierung-gesundheit/generationen-arbeitsmarkt.html.
119. Staatssekretariat für Wirtschaft (SECO): "Arbeitskräftemangel in der Schweiz", Grundlagen für die Wirtschaftspolitik / Arbeitsmarktpolitik Working Paper Nr. 67, April 2026; darauf gestützter Bericht des Bundesrats "Ursachen und Auswirkungen von Arbeitskräftemangel", verabschiedet 22. April 2026, https://www.admin.ch/de/newnsb/SO23GEuIdEZhLmZ2Q9lYB.
120. U.S. Census Bureau. „2023 National Population Projections", Hauptvariante und Alternativszenarien, veröffentlicht 9. November 2023, Pressemitteilung CB23-189. https://www.census.gov/programs-surveys/popproj.html.
121. "Situation Älterer am Arbeitsmarkt", Reihe Blickpunkt Arbeitsmarkt, Statistik der Bundesagentur für Arbeit, Nürnberg, November 2024, Stichtag 30. Juni 2023 (Anteile der 55- bis unter 65-Jährigen je Wirtschaftsabschnitt). https://statistik.arbeitsagentur.de/DE/Statischer-Content/Statistiken/Themen-im-Fokus/Demografie/Generische-Publikationen/Aeltere-amArbeitsmarkt.pdf. Ergänzt für die Berufsebene um Jurek Tiedemann und Franziska Arndt, "Wertvolle Erfahrung sichern", KOFA-Studie 4/2026, Institut der deutschen Wirtschaft im Auftrag des Bundesministeriums für Wirtschaft und Energie.
122. Petra Gregoritsch und Adila Sahbegovic, "Älterenbeschäftigungsmonitoring 2025", Bundesministerium für Arbeit, Soziales, Gesundheit, Pflege und Konsumentenschutz, März 2026, gestützt auf das AMS Data Warehouse und den Dachverband der Sozialversicherungsträger. https://www.sozialministerium.gv.at/dam/jcr:65ded023-98f6-4b27-a98d-27fd0e43f18f/260311_Beschaeftigungsmonitoring_Aelterer_2025.pdf
123. Bundesamt für Statistik, Schweizerische Arbeitskräfteerhebung, Anteil der 55- bis 64-Jährigen an den Erwerbstätigen nach Wirtschaftsabschnitt, Zeitreihe 1995 bis 2025. https://www.bfs.admin.ch/bfs/de/home/statistiken/arbeit-erwerb/erwerbstaetigkeit-arbeitszeit/merkmale-arbeitskraefte/wirtschaftsabschnitt.html.
124. Demis Hassabis: "A Framework for Frontier AI and the Dawning of a New Age", veröffentlicht 14. Juli 2026 auf demishassabis.substack.com (zeitgleich als LinkedIn-Pulse-Artikel). https://demishassabis.substack.com/p/a-framework-for-frontier-ai-and-the-dawning-of-a-new-age
125. Future of Life Institute: "AI Safety Index Summer 2026", Juli 2026. https://futureoflife.org/ai-safety-index-summer-2026/
126. Zusammengesetzt aus: Stanford HAI, "The 2025 AI Index Report", Kapitel Research and Development, https://hai.stanford.edu/ai-index/2025-ai-index-report; Fortune, "US-China AI race: How Tsinghua University is outpacing the Ivy League", 19. November 2025, https://fortune.com/2025/11/19/us-china-ai-race-higher-education-tsinghua-university-outpacing-ivy-league-mit-harvard-stanford/; MacroPolo, "The Global AI Talent Tracker 3.0", https://macropolo.org/digital-projects/the-global-ai-talent-tracker/; Euronews, "The AI brain drain: why Europe can't keep the talent it trains", Januar 2026, https://www.euronews.com/my-europe/2026/01/29/the-ai-brain-drain-why-europe-cant-keep-the-talent-it-trains.
127. Daniel Kokotajlo, Scott Alexander, Thomas Larsen, Eli Lifland, Romeo Dean: "AI 2027. A research-backed AI scenario forecast", AI Futures Project, 3. April 2025. https://ai-2027.com/
128. Thomas Larsen, Romeo Dean, Brendan Halstead, Eli Lifland, Ryan Greenblatt, Daniel Kokotajlo (Abschnitte überarbeitet von Scott Alexander): "AI 2040: Plan A", AI Futures Project, 9. Juli 2026. https://ai-2040.com
129. Julia Willemyns: "Are you afraid of the Luddites? On the political economy of AI in China, America, and Europe", Substack-Essay, 24. Juli 2026. https://juliawillemyns.substack.com/p/are-you-afraid-of-the-luddites
130. Anton Korinek, Charles I. Jones, Szymon Sacher, Tess Cotter und Peter McCrory: „Economic Scenarios for Transformative AI". The Anthropic Institute, Working Paper No. 2026-02, September 2026, 57 Seiten. https://www-cdn.anthropic.com/files/4zrzovbb/website/cf58f84d46a4a76bf5a5b039ac695fba6b80041c.pdf, zugehöriger Scenario Explorer (Version 1.0) unter https://www.anthropic.com/institute/econ-scenarios.
131. "Why wages and productivity look set to diverge further". Joel Suss, Financial Times (Free Lunch Newsletter), veröffentlicht 26. Juli 2026. https://www.ft.com/content/9741206d-b53f-4149-8cab-5203dd4b70fb.
132. "What Humanity Needs To Flourish In The Next Decade". E. Glen Weyl, James Evans und Chris White, mit einer 23-köpfigen Koalition aus Forschung, Wirtschaft und Zivilgesellschaft, Noema Magazine (Berggruen Institute), 21. Juli 2026. https://www.noemamag.com/what-humanity-needs-to-flourish-in-the-next-decade/.
133. "The strategic role of higher education to deliver the Government's Industrial Strategy". University of York, QS Quacquarelli Symonds und Public First, Januar 2026. https://www.qs.com/insights/higher-education-impact-governments-industrial-strategy-skills.
134. "The Future Worth Building Is Human". Thinking Machines Lab, Firmenblog, 10. Juli 2026. thinkingmachines.ai/blog/the-future-worth-building-is-human/.
135. AXA Versicherungen AG (Auftrag) und Forschungsinstitut Sotomo, Zürich (Durchführung; Lisa Frisch, Severin Meier, Simon Stückelberger): „AXA KMU-Arbeitsmarktstudie 2026", Unternehmensbefragung, Juli 2026, 62 Seiten. Onlinebefragung von 336 Schweizer KMU mit fünf und mehr Beschäftigten, 11. bis 18. März 2026, gewichtet nach Größe und Sektor. KI-Kapitel Seiten 38 bis 47, Abbildungen 22 bis 24; alle verwendeten Werte an den Abbildungen geprüft, die Jahresmarken im Fließtext der Studie weichen davon ab. Medienmitteilung zum KI-Teil vom 15. September 2026. PDF 20260709_axa_kmu-arbeitsmarktstudie.pdf über axa.ch.
136. Benjamin Verschuere und Angus Cameron: „AI Impact on Jobs". Liminal Capital, August 2026. https://www.liminal-capital.com/documents/liminal-ai-jobs-impact.pdf; erweiterte Fassung als „Hiding in the Mean: The Two Margins of AI's Employment Effect", SSRN Working Paper Nr. 7195359, sowie „What Economists Are Missing About AI", ProMarket (Stigler Center, University of Chicago Booth School of Business), 15. Juli 2026. Datengrundlage: 17.536 Aufgabenbeschreibungen der Berufsdatenbank O*NET, Occupational Employment and Wage Statistics sowie Current Population Survey des Bureau of Labor Statistics 2015 bis 2025, Wertschöpfungsdaten des Bureau of Economic Analysis. Die Titelgeschichte dazu: Talmon Joseph Smith: „The Quiet Way A.I. Is Hitting the Work Force", The New York Times, 16. September 2026, Wirtschaftsteil. Interessenlage: quantitativ arbeitender Makrofonds, keine Begutachtung, Aufgabeneinteilung durch Sprachmodelle. Nicht verwendet sind die Langfristschätzung von rund 20 Millionen Stellen und die Koeffizienten des Regressionsmodells.
137. Torsten Slok (Chefvolkswirt, Apollo Global Management) und Sania Edlich (Princeton University): „AI Lowers Wages But Doesn't Cut Jobs". The Daily Spark, Apollo Global Management, 30. Juli 2026. https://www.apollo.com/wealth/insights-news/insights/daily-spark/ai-lowers-wages-but-doesnt-cut-jobs. Differenz-von-Differenzen über 321 zugeordnete Berufe, 2015 bis 2026, Expositionsmaß ist der Anthropic Economic Index, also beobachtete Nutzung statt theoretischer Machbarkeit. Unabhängig wiedergegeben bei Axios, 31. Juli 2026, und Dataconomy, 24. August 2026. Zusätzlich referiert in der New York Times vom 16. September 2026, dort gerundet mit 11 Prozent für das unterste Lohnviertel. Interessenlage: Vermögensverwaltung, keine Begutachtung. Gesperrt sind der Wert von 24 Prozent für Dienstleistungsberufe als kleine Teilstichprobe, jede Übertragung auf den deutschsprachigen Raum sowie jede Verbindung der Werte dieses Standes mit der früheren Rechnung über elf Berufe und rund 5,8 Millionen Beschäftigte.
138. Talmon Joseph Smith: „The Quiet Way A.I. Is Hitting the Work Force". The New York Times, 16. September 2026, Wirtschaftsteil. https://www.nytimes.com/2026/09/16/business/ai-raises-hiring.html. Verwendet sind die Gegenüberstellung von Dario Amodeis Prognose aus dem Mai 2025 mit der amtlichen Arbeitslosenquote von 4,1 Prozent im August 2026 und das wörtliche Zitat von Benjamin Verschuere. Volltext über den Geschenklink des Herausgebers gelesen, Archivauszug im Quellen-Ordner. Nicht verwendet sind die Branchenzahlen zum Technologiesektor und zu den Finanzdienstleistungen sowie die drei Firmenbeispiele, sämtlich einfach belegt oder Selbstauskünfte.
139. U.S. Bureau of Labor Statistics: „Labor share at its lowest level, 52.8 percent, in second quarter 2026". The Economics Daily, 15. September 2026. https://www.bls.gov/opub/ted/2026/labor-share-at-its-lowest-level-52-8-percent-in-second-quarter-2026.htm; Reihe Nonfarm Business Sector: Labor Share for All Workers (PRS85006173), Datenbeginn 1947. Amtliche Statistik ohne kommerzielle Interessenlage. Die in der Presse kursierende Angabe eines Rückgangs um rund 10 Prozentpunkte seit einem Höchststand Ende der neunziger Jahre ist nicht übernommen, weil die amtliche Reihe ihren Höchststand im vierten Quartal 1960 ausweist.
140. Virginia Sondergeld: „Berufseinstieg: Stellenangebot sinkt, Ausbildungssystem bietet einen Anker". Indeed Hiring Lab Germany, 23. September 2026. https://hiringlab.indeed.com/de/blog/2026/09/23/berufseinstieg-stellenangebot-sinkt-ausbildungssystem-bietet-einen-anker/. Auswertung der Stellenausschreibungen auf Indeed Deutschland seit 2019, Referenzwert ist der Jahresdurchschnitt 2019; Einstiegsstellen, Praktika und Ausbildungen sind über Begriffe im Stellentitel abgegrenzt, das KI-Transformationspotenzial folgt dem Indeed AI at Work Report 2025 auf Basis amerikanischer Anzeigen von Mai 2024 bis April 2025. Anbieterdaten einer kommerziellen Jobbörse, nicht begutachtet; gemessen werden Ausschreibungen, keine Einstellungen und keine Beschäftigung.
141. Dana Hajek: „Arbeitsstellenrückgang: Wo Einsteigerjobs wegen KI wegfallen". DIE ZEIT, 18. September 2026. https://www.zeit.de/arbeit/2026-09/arbeitsstellenrueckgang-berufseinsteiger-kuenstliche-intelligenz-arbeitsmarkt. Grafiken auf Grundlage der Indeed-Daten mit Referenzjahr 2020; die im Report genannten Werte folgen der Veröffentlichung des Hiring Lab mit Referenzjahr 2019. Zitate von Melanie Arntz (Institut für Arbeitsmarkt- und Berufsforschung) und Virginia Sondergeld (Indeed Hiring Lab).
---
## Versionsverlauf
**Fassung 1.0, 16. September 2026.** Erstveröffentlichung der Ausgabe 2026.
**Fassung 1.1, 18. September 2026.** Gender-Kapitel und Kernbefund 5 auf die Eurostat-Statistik 2025 zur Nutzung generativer KI umgestellt (bisher IAB/D21, Befragung Juli 2024); neunte Prognose zum beruflichen Gender Gap ergänzt, die bisher zurückgestellte Prognose zur D21-Reihe entfällt; Quelle 6 erweitert. Neu aufgenommen als Quelle 135 die Schweizer KMU-Arbeitsmarktstudie 2026 von AXA und Sotomo: Stellenabbau-Erwartung der KI-nutzenden KMU seit drei Jahren bei 12 Prozent (Kapitel zum KI-Argument), Erprobung gegen Betrieb und Rückgang der Textaufgaben nach der Spitze 2025 (Kapitel zum langen Umbau). Die Quellennummern der Fassung 1.0 bleiben unverändert, neue Quellen werden angehängt.
**Fassung 1.2, 24. September 2026.** Die Einschätzungen aus Arbeitsgesprächen des Autors sind entfallen; der Report stützt sich seit dieser Fassung ausschließlich auf prüfbare Quellen. Vorwort und Methodikteil sind entsprechend angepasst, ebenso die betroffenen Stellen in den Kapiteln, im Prognoseteil und im Schlussteil. Neu aufgenommen als Quellen 136 und 137 die Aufgabenzerlegung von Liminal Capital, nach der die Berufseintritte der 22- bis 25-Jährigen in den ersetzbaren Berufen seit 2021 um rund ein Drittel gefallen sind, während die Entlassungen unverändert blieben (Kapitel zur Karrierelücke), und der Lohnbefund von Apollo Global Management, 6,7 Prozentpunkte langsameres Lohnwachstum in exponierten Berufen bei unveränderter Beschäftigung (Schlussteil); als Quellen 138 und 139 der Beitrag der New York Times vom 16. September 2026 und die amtliche Lohnquote des Bureau of Labor Statistics (52,8 Prozent im zweiten Quartal 2026, tiefster Stand seit Beginn der Reihe 1947), mit denen die Vergleichsmarke Amodei einen ersten Zwischenstand erhält und der Verteilungsabsatz im Schlussteil ergänzt ist. Neu aufgenommen als Quellen 140 und 141 die Auswertung des Indeed Hiring Lab zum deutschen Einstiegsstellenmarkt seit 2019 (Einstiegsstellen 46 Prozent unter 2019, Ausbildungen 50 Prozent darüber, Divergenz nach KI-Exposition seit Frühjahr 2022) samt dem ZEIT-Artikel vom 18. September 2026 mit der Einordnung von Melanie Arntz; Autorenzuordnung bei Quelle 58 berichtigt (Erstautorin am Indeed Hiring Lab). Methodikteil: Der Takt des Reports ist festgeschrieben. Drei Ebenen, die jährliche Ausgabe, die vierteljährliche Fassung und die Analysen auf workafterai.org, mit den Regeln, dass Prognosen innerhalb einer Ausgabe unverändert bleiben und eine Fassung nur erscheint, wenn sich ein Befund geändert hat oder ein Fehler zu berichtigen ist; vorgesehen sind die Fassung 1.3 Anfang November und die Abschlussfassung 1.4 zum 31. Dezember 2026. Herausgeber ist seit dieser Fassung die Kuerner Group GmbH, Wels, Autor bleibt Gerhard Kürner; Werk-DOI, ORCID und die neue Zitierempfehlung stehen im Methodikteil. Mit dieser Fassung erscheint der Report erstmals zusätzlich als Maschinenfassung, also als Textfassung mit einer festen Kennung je Kapitel, Kernbefund, Prognose, Vergleichsmarke und Quelle, als Datendateien und als Skill-Paket; die Dateien liegen neben der PDF unter dem Werk-DOI. Die Quellennummern der Fassung 1.1 bleiben unverändert, neue Quellen werden angehängt.