Die bisherigen Artikel dieser Serie haben die KI-Transformation aus Sicht der Organisation, des Individuums und der Kompetenzentwicklung betrachtet. Dieser abschließende Artikel wechselt auf die Makroebene: Was bedeutet das alles für Arbeitsmärkte und Beschäftigung?
Die öffentliche Debatte pendelt zwischen zwei Extremen. Auf der einen Seite stehen Prognosen massiver Arbeitsplatzverluste, auf der anderen die Versicherung, dass KI mehr Stellen schaffen als vernichten werde. Beides wird der Realität nicht gerecht, die sich bei genauerem Hinsehen als vielschichtige Verschiebung von Anforderungen und Arbeit zeigt.
Schleichende Ausdünnung
KI vernichtet keine ganzen Berufsbilder über Nacht. Was sie verändert, ist die Nachfrage nach bestimmten Fähigkeiten und damit, schleichend, den Bedarf an Menschen, die diese Fähigkeiten besitzen und einsetzen. Der McKinsey Skill Change Index bietet dafür einen hilfreichen Rahmen: Die Welt teilt sich nicht in sichere und bedrohte Berufe, sondern in Tätigkeiten, die automatisiert werden, und solche, die durch neue Arbeitsweisen verstärkt werden.
Rechnungsstellung, Inventarmanagement, SQL-Abfragen, standardisierte Qualitätssicherung, solche Tätigkeiten verschwinden nicht, werden aber zunehmend von Systemen und automatisierten Abläufen übernommen. Verhandlung, Führung, Coaching und Kommunikation dagegen bleiben an Vertrauen, Anreize und soziale Verantwortung gebunden: Qualitäten, die sich nicht in ein Kontextfenster übersetzen lassen.
Die Bedrohung liegt dazwischen. Jede Aufgabe, die ein KI-gestützter Mitarbeiter schneller erledigt, verringert den Bedarf an weiteren Personen für dieselbe Tätigkeit. Jobs verschwinden nicht, aber die Nachfrage wird dünner: Einstiegspositionen werden weniger, Mittelbau-Rollen werden komprimiert.
Das Einstiegsproblem
Besonders betroffen sind ausgerechnet jene Positionen, die traditionell als Lernpfad in eine Branche dienen. Junior-Analysten, die durch Datenarbeit das Geschäft kennenlernen. Assistenzrollen, in denen Berufsanfänger Prozesswissen aufbauen. Laut Handelsblatt und Stepstone befinden sich Einsteigerjobs bereits auf einem Rekordtief.
Dieser Mechanismus ist auch ökonomisch formalisiert: Wenn Automatisierung die einfachen Aufgaben eliminiert, erfordern die verbleibenden Tätigkeiten mehr Expertise, nicht weniger. Die Löhne für diese anspruchsvolleren Positionen steigen, aber weniger Menschen qualifizieren sich dafür. KI hebt die Eintrittsschwelle für die Arbeit, die übrig bleibt.
Hier zeigt sich die Verbindung zum zweiten Artikel dieser Serie: Wenn Einstiegsaufgaben wegfallen, fehlt nicht nur Kapazität, sondern auch das kognitive Scaffolding, an dem die nächste Generation von Fachkräften wächst. Fallen Einstiegswege weg, fehlt die Generation, die das Geschäft von innen kennt.
Preisdruck durch Wahrnehmung
Hinzu kommt ein subtilerer Effekt: Preisdruck auf menschliche Arbeit, allein durch die Wahrnehmung von KI-Effizienz. Arbeit wird schon heute rabattiert, sobald KI an ihrer Erstellung beteiligt war, ungeachtet dessen, ob die KI die Qualität tatsächlich verbessert hat. Die tatsächlichen Kosten der KI-Nutzung - Modellkosten, Fehlerkorrektur, menschliche Nacharbeit - werden selten vollständig beachtet. Die Wahrnehmung von Effizienz eilt der tatsächlichen Effizienz voraus, und der Preisdruck auf menschliche Arbeit ist die Folge.
Grenzen der Substitution
Doch die Ausdünnung hat Grenzen, die in der öffentlichen Debatte selten vorkommen. KI-Substitution lohnt sich nicht überall, und die ökonomischen Schranken sind möglicherweise härter als vielfach angenommen.
Die Stundenkosten von KI-Agenten steigen mit der Aufgabenkomplexität. Frontier-Modelle erreichen bei voller Kapazität Stundenkosten, die über denen menschlicher Fachkräfte liegen. KI-Substitution rechnet sich daher nur dort, wo der Wert der Aufgabe hoch genug ist, um die Compute-Kosten zu rechtfertigen oder wo die Aufgabe vollständig automatisierbar ist und kein menschliches Eingreifen erfordert und dies ein eigener Mehrwert darstellt.
Für Tätigkeiten, die nicht vollständig automatisierbar sind, und das sind die meisten wissensintensiven Aufgaben, wie im zweiten Artikel beschrieben, fallen sowohl Compute-Kosten als auch menschliche Arbeitskosten an. Die Summe kann höher liegen als rein menschliche Bearbeitung, insbesondere wenn der menschliche Anteil Urteilsarbeit ist, die qualifiziertes Personal erfordert. Partielle Automatisierung ist keine garantierte Kostenersparnis, sondern kann auch zur Kostenfalle werden.
Hochwertige kognitive Arbeit dürfte daher zuerst transformiert werden, weil sich dort der ökonomische Hebel lohnt. Niedrigwertige kognitive Arbeit bleibt länger menschlich, nicht weil KI sie nicht könnte, sondern weil sie sich nicht rechnet. Die Compute-Kosten sinken zwar langfristig, aber sie sind Stand heute ein gewichtiger Faktor, der die Geschwindigkeit und Breite der Substitution begrenzt.
Gegengewichte
Die Ausdünnung ist bereits heute real, aber auch nicht die ganze Geschichte.
Die EZB-Studie vom März 2026 zeigt, dass KI-intensive europäische Unternehmen derzeit mehr Personal einstellen, nicht weniger. Die Erklärung ist: Sie brauchen Menschen für die KI-Implementierung bei laufendem Betrieb, und KI hilft einigen, schneller zu skalieren als ihre Konkurrenz. Die Studie warnt allerdings ausdrücklich, KI habe die Produktionsprozesse bisher noch nicht grundlegend verändert. Die Einstellungswelle könnte eine Übergangsphase sein, kein Dauerzustand.
Historisch hat jede Automatisierungswelle nicht nur Arbeit vernichtet, sondern auch neue Tätigkeiten geschaffen. In der Ökonomie spricht man vom "Reinstatement Effect": Neue Technologien erzeugen neue Aufgaben, die vorher nicht existierten. Ob KI diesem Muster folgt oder es durchbricht, ist die offene Frage. Bisherige Automatisierungswellen betrafen vorwiegend physische Arbeit, KI betrifft erstmals kognitive Arbeit in der Breite. Ob der Reinstatement Effect unter diesen Bedingungen in gleichem Maße greift, ist empirisch noch nicht beantwortet.
Und schließlich: Der demografische Wandel gibt verbleibenden Arbeitnehmern Verhandlungsmacht. Alternde Gesellschaften in Europa und Ostasien haben einen strukturellen Arbeitskräftemangel, der die Substitutionsdynamik bremst und Löhne stützt, unabhängig davon, was technologisch möglich wäre. Zudem könnte der sinkende Arbeitskräftebedarf in automatisierten Bereichen Kapazitäten freisetzen für Tätigkeiten, die bisher am Fachkräftemangel scheitern, etwa in Pflege, Bildung oder öffentlicher Verwaltung. Ob diese Verschiebung tatsächlich stattfindet, hängt allerdings davon ab, ob die frei werdenden Qualifikationen zu den entstehenden Bedarfen passen — ein Problem, das sich selten von allein löst.
Was bleibt
Die Arbeitswelt, die aus dem KI-Wandel hervorgeht, wird nicht von einem einzelnen Effekt geprägt sein. Eine Ausdünnung ist bereits beobachtbar: Die Nachfrage nach manchen Arbeitsleistungen wird dünner, Einstiegswege in manche Branchen werden weniger und Preisdruck durch Wahrnehmung entsteht unabhängig von tatsächlicher Effizienz. Aber die ökonomischen Grenzen der Substitution bleiben: KI ersetzt nicht alles, was sie theoretisch ersetzen könnte, weil es sich nicht überall rechnet. Und einige Entwicklungen wirken möglicherweise dagegen: die Entstehung neuer Tätigkeiten, der demografische Wandel, Übergangsbedarf.
Die vier Perspektiven dieser Serie ergeben zusammen ein Gesamtbild. Organisationen müssen ihre Arbeitsorganisation anpassen, nicht nur Technologie einführen. Individuen stehen vor einer Verschiebung von der Ausführung zur Urteilsbildung, die Erfahrene begünstigt und Anfänger unter Druck setzt. Die Kompetenzprofile der Zukunft erfordern mehrfache Tiefe statt einfacher Spezialisierung sowie eine höhere Flexibilität und Synthesefähigkeit. Und der Arbeitsmarkt bewegt sich in einem Spannungsfeld zwischen Ausdünnung und Erneuerung, dessen Ausgang noch offen ist. Die Frage, ob KI Arbeit aufwertet oder entwertet, ist keine technische. Sie ist eine politische, und sie wird gerade beantwortet.