---
lang: de
template: insight-detail
---

# **Die stille Substitution**
> Jadey Insight | 6. Mai 2026 | Jörg Hubacher

Warum KI zuerst die Einstiegs- und Lernarbeit in Wissensberufen verändert.

Jörg Hubacher ist Gründer der Corevision GmbH und hat Jadey entwickelt. Der Beitrag ist ein persönlicher Debattenbeitrag zur Entwicklung von Wissensarbeit und keine empirische Originalstudie.

Hinweis: Dieser Beitrag formuliert eine prüfbare These zur Wirkung generativer und agentischer KI auf Wissensarbeit. Er ist keine empirische Originalstudie und kein Produkttext. Belegte Frühindikatoren, plausible Mechanismen und weitergehende Szenarien werden bewusst getrennt.

## Abstract {#abstract}

In der Debatte über Künstliche Intelligenz am Arbeitsmarkt richtet sich der Blick meist auf Beschäftigungsbestände, Berufskategorien und sichtbare Entlassungen. Das ist ein später Messpunkt. Der erste Bruch kann leiser auftreten: als ausbleibende Einstellung, als nicht nachbesetzte Stelle, als verkleinertes Traineeprogramm, als verschwundene Zuarbeit. Dieser Beitrag nennt diesen Vorgang stille Substitution.

Gemeint ist nicht die plötzliche Abschaffung ganzer Berufe, sondern die Veränderung jener Lern- und Arbeitsschicht, über die Berufseinsteiger bislang in Verantwortung hineingewachsen sind. KI-Systeme verändern damit nicht nur einzelne Aufgaben. Sie verändern, wer in Organisationen noch Erfahrung sammelt, wer Entscheidungen vorbereitet und wie viele erfahrene Menschen für ein bestimmtes Arbeitsvolumen gebraucht werden.

Die Evidenz ist noch nicht kausal abschließend. Sie reicht aber aus, um den Berufseinstieg in besonders betroffenen Tätigkeitsfeldern als Frühwarnsignal ernst zu nehmen.

Keywords: Generative KI; agentische KI; Berufseinstieg; Wissensarbeit; Arbeitsmarkt; Nicht-Einstellung; Expertenarbeit; Produktivität; Organisationsumbau

## Problemstellung: Der falsche Messpunkt {#problemstellung}

Die öffentliche Debatte über Künstliche Intelligenz am Arbeitsmarkt beginnt oft mit einer zu groben Frage: Welche Berufe verschwinden? Für Wissensarbeit ist eine andere Frage drängender: Welche Tätigkeiten waren bisher nötig, damit Menschen überhaupt in diese Berufe hineinwachsen konnten?

Die stille Substitution beginnt dort, wo Einstiegs-, Zuarbeits- und Lernarbeit aus Organisationen herausgerechnet wird. Diese Schicht war selten glamourös. Sie bestand aus Recherche, Entwurf, Prüfung, Dokumentation, Standardfällen und Nachbereitung. Aber genau darüber lernten junge Beschäftigte, wie eine Domäne wirklich funktioniert. Wenn diese Arbeit verschwindet, verschwindet nicht nur Output. Es verschwindet Erfahrung.

Das erste Signal ist deshalb nicht zwingend die Entlassungswelle. Häufiger ist es die Nicht-Einstellung: weniger ausgeschriebene Einstiegsrollen, nicht vollständig ersetzte Abgänge, weniger externe Zuarbeit, kleinere Traineeprogramme, weniger Juniorstellen und mehr Arbeit, die bei erfahrenen Mitarbeitern landet, die durch Systeme unterstützt werden. Die Personalpyramide wird nicht erst oben gekappt. Sie wird unten nicht mehr verlässlich nachgebaut.

Dieser Mechanismus ist politisch schwer zu greifen. Er produziert kein einzelnes Ereignis. Keine Fabrikschließung, keine klar abgrenzbare Entlassungswelle, keine Berufsgruppe, die über Nacht verschwindet. Es sind viele kleine Entscheidungen: eine Analystenstelle, die nicht nachbesetzt wird; ein Traineeprogramm, das aussetzt; weniger Werkstudenten; weniger Junior-Developer; weniger Legal Research; weniger First-Level-Support; weniger Sachbearbeitung. In Summe kann daraus ein größerer Arbeitsmarktbruch entstehen als aus einer sichtbaren Kündigungsrunde.

### Kernthese

Kurz gesagt: Wenn KI Einstiegs-, Zuarbeits- und Lernarbeit aus Organisationen herausnimmt, geht nicht nur Arbeitsvolumen verloren. Es fehlt die Erfahrungsschicht, aus der spätere Verantwortung entsteht.

Dass erfahrene Fachkräfte kurzfristig profitieren, passt zu diesem Bild. Wer Domäne, Kunden, Risiken und Qualitätsmaßstäbe kennt, kann mit Agentensystemen deutlich mehr Fälle, Analysen, Verträge, Tickets oder Projekte steuern. Aber höhere Produktivität führt unter Kostendruck nicht automatisch zu mehr Beschäftigung. Sie kann auch bedeuten, dass für dasselbe Umsatz-, Fall- oder Projektvolumen weniger Menschen gebraucht werden.

## Begriffliche Klärung: Von Aufgabenautomatisierung zum Umbau von Organisationen {#begriffliche-klaerung}

Die klassische Automatisierungsdebatte ordnet Tätigkeiten oder Berufe danach, ob Technik sie ersetzt oder ergänzt. Dieses Aufgabenmodell bleibt nützlich, greift aber zu kurz. Generative Systeme liefern nicht mehr nur Textvorschläge. Mit Werkzeugzugriffen, Kontextspeichern, Rollen, Prüfschritten und Freigabemechanismen werden sie Teil operativer Abläufe. Dann geht es nicht mehr nur um einzelne Aufgaben, sondern um die Frage, wie Arbeit im Unternehmen verteilt wird.

Agentische KI meint hier Systeme, die über mehrere Schritte auf ein Ziel hinarbeiten: Sie nehmen Kontext auf, greifen auf Daten und Werkzeuge zu, erzeugen Zwischenergebnisse, holen Freigaben ein, dokumentieren Entscheidungen, eskalieren Ausnahmen und schließen Prozessfälle ab. Menschliche Verantwortung verschwindet dadurch nicht. Aber sie verschiebt sich: weg von Ausführung und Zuarbeit, hin zu Zielsetzung, Kontrolle, Ausnahmebehandlung, Haftung und Systemgestaltung.

Der Unterschied ist praktisch, nicht semantisch. Ein Chatbot beschleunigt eine Junior-Aufgabe. Ein agentisches System kann Teile einer Junior-Rolle aufnehmen. Mehrere zusammenwirkende Agenten können einen Prozess so verändern, dass eine Abteilung für denselben Durchsatz weniger Menschen braucht. Damit verändert sich nicht nur Arbeit, sondern auch die Personalstruktur.

## Evidenzlage: Frühindikatoren, Grenzen und Quellenqualität {#evidenzlage}

Eine der auffälligsten deutschen Kennzahlen kommt aus einer Stepstone-Analyse. Stepstone wertete über 4,6 Millionen Stellenanzeigen auf Stepstone.de aus und meldete für 2025, dass der Anteil ausgeschriebener Einstiegspositionen 42 Prozent unter dem aktualisierten Fünfjahresdurchschnitt lag. Besonders schwach waren klassische Büro- und Unternehmensfunktionen wie Marketing, Personalwesen und Produktion. Das ist ein starkes Signal, aber kein Vollbild des deutschen Arbeitsmarkts: Erfasst wurden entsprechend markierte Anzeigen auf Stepstone.de, unter anderem mit Begriffen wie "Trainee", "Berufseinsteigerin", "Berufseinsteiger", "Absolventin", "Absolvent" oder "abgeschlossene Ausbildung" (Stepstone, 2026).

Die Evidenz ist noch unvollständig. Für Deutschland lässt sich bisher nicht belastbar zeigen, dass der Rückgang von Einstiegsstellen monokausal durch KI verursacht ist. Konjunkturschwäche, Zinswende, Kostendruck, Fachkräftemismatch und branchenspezifische Investitionszurückhaltung spielen mit hinein. Der Punkt ist deshalb vorsichtiger: Der Druck auf Junior-Rollen ist kein Beweis für KI als alleinige Ursache. Er ist ein relevantes Warnsignal, weil er in Tätigkeitsfeldern sichtbar wird, die generative und agentische Systeme besonders gut adressieren.

Die verwendeten Quellen leisten Unterschiedliches. Peer-reviewte Studien und Working Papers tragen die theoretische und empirische Basis. Stellenanzeigenanalysen und Unternehmensbefragungen zeigen frühe Marktbewegungen, ersetzen aber keine amtliche Arbeitsmarktstatistik. Marktprognosen und Herstellerreports sagen wenig über Beschäftigungseffekte; sie helfen vor allem, Verbreitung und Produktentwicklung einzuordnen. Diese Unterschiede sind wichtig, weil sonst aus Indizien schnell Gewissheiten werden.

### Deutschland: Beschäftigungserwartungen und politische Einordnung

Das ifo Institut kommt aus einer anderen Richtung zum selben Grundrauschen. In einer Sonderauswertung zur KI-Nutzung erwarten 27,1 Prozent der Unternehmen, dass KI in den kommenden fünf Jahren zu Stellenabbau führt; nur 5,2 Prozent rechnen mit zusätzlichen Jobs, zwei Drittel erwarten keine Veränderung. Das sind Erwartungen, keine gemessenen Beschäftigungseffekte. Sie zeigen aber, dass viele Unternehmen KI eher als künftigen Reduktions- denn als Aufbauimpuls lesen (Wohlrabe, 2025).

Der Sachverständigenrat ordnet KI ebenfalls als Technologie ein, die stärker als frühere Automatisierungswellen auch Nicht-Routine-Tätigkeiten in hochqualifizierten Berufen betreffen kann. Zugleich bleibt die gesamtwirtschaftliche Wirkung offen und wird in Produktivitäts- und Strukturwandelnarrative eingebettet. Diese Vorsicht ist methodisch richtig. Sie darf nur nicht dazu führen, frühe Verschiebungen im Berufseinstieg zu übersehen (Sachverständigenrat, 2025).

Die Bundesregierung erklärte im Januar 2026 in einer Antwort auf eine Kleine Anfrage, bisher gebe es keine Hinweise dafür, dass aufgrund des Einsatzes von KI-Technologien Berufseinstiegschancen gesunken seien. Das ist nachvollziehbar, wenn man nach harter Kausalität fragt. Für Politik ist es dennoch riskant, weil Einstellungs- und Rollenindikatoren früher reagieren als Arbeitslosenstatistiken. Wer erst handelt, wenn der kausale Nachweis amtlich sauber ist, kann zu spät kommen (Deutscher Bundestag, 2026).

### Internationale Hinweise: Alters- und Expositionssignale

Aus den USA kommen Befunde, die näher an dieser Mechanik liegen. Brynjolfsson, Chandar und Chen untersuchen Beschäftigungsdaten und finden für 22- bis 25-Jährige in stark KI-exponierten Berufen einen relativen Beschäftigungsrückgang von 16 Prozent, während erfahrenere Beschäftigte in denselben oder weniger exponierten Berufen stabil blieben oder weiter wuchsen. Das ist ein starkes Signal, aber kein Deutschlandnachweis (Brynjolfsson, Chandar und Chen, 2025).

Anthropic nähert sich dem Thema über beobachtete Nutzungsmuster und findet ein vorsichtigeres, aber ähnliches Signal. Für 22- bis 25-Jährige in exponierten Berufen zeigt sich keine klare Zunahme der Arbeitslosigkeit, wohl aber eine schwächere Job-Finding-Rate. Sie liegt nach der Einführung von ChatGPT um rund 14 Prozent niedriger als 2022; die Quelle selbst beschreibt den Befund als knapp statistisch signifikant und datenabhängig. Genau das passt zur stillen Substitution: Der Effekt taucht eher im verlangsamten Einstieg auf als in offener Arbeitslosigkeit (Anthropic, 2026).

### Produktivitätsevidenz als Vorstufe veränderten Personalbedarfs

Kurzfristig stützen solche Befunde die Ergänzungsthese: Beschäftigte werden besser, schneller, produktiver. Das ist real und in vielen Fällen wünschenswert. Der arbeitsmarktliche Folgeeffekt hängt aber davon ab, was Unternehmen mit dieser Produktivität machen. Wenn Standardaufgaben schneller und günstiger erledigt werden, sinkt die Notwendigkeit, große Mengen Juniorarbeit vorzuhalten. Wenn erfahrene Beschäftigte mit Systemunterstützung die Arbeit ganzer Teams koordinieren, kann später auch die Zahl erfahrener Beschäftigter pro Arbeitsvolumen sinken.

## Ein dynamisches Modell der stillen Substitution {#dynamisches-modell}

Viele Debatten betrachten KI statisch. In dieser Perspektive ist sie ein Werkzeug, das Menschen ergänzt: Ein Senior wird produktiver, ein Junior lernt schneller, ein Unternehmen kann mehr Output erzeugen. Für Organisationen ist aber die dynamische Perspektive entscheidend. Produktivität verändert Personalstrukturen, sobald Kostendruck, Wettbewerb oder neue Geschäftsmodelle ins Spiel kommen.

### Phase 1: Junior-Substitution

Das führt nicht automatisch zu Entlassungen. Häufiger verschwindet Nachfrage nach Einstieg. Nachwuchsprogramme werden kleiner, Projektteams ohne Juniorstaffing geplant, interne Ausbildung wirkt zu teuer, und Bewerber sollen schon mitbringen, was sie früher im Unternehmen lernen konnten. Darin liegt die paradoxe Pointe: Gerade weil KI Anfänger produktiver machen könnte, werden weniger Anfänger eingestellt, wenn ihre ursprünglichen Lernaufgaben ersetzt werden.

### Phase 2: Senior-Hebelung

Danach profitieren erfahrene Fachkräfte. Sie kennen Domäne, Kunden, Risiko, Ausnahmefälle und Qualitätsmaßstäbe. Mit KI-Agenten können sie mehr Fälle, mehr Code, mehr Analysen, mehr Verträge, mehr Supportvorgänge oder mehr operative Prozesse steuern. Kurzfristig wirkt der Senior dadurch unersetzlicher, nicht ersetzbarer.

Das Bild stimmt, aber nur für den ersten Schritt. Der Senior wird nicht sofort ersetzt; seine Arbeit wird stärker gehebelt. Genau das verändert später den Personalbedarf. Wenn ein erfahrener Mitarbeiter mit Agenten den Output mehrerer früherer Rollen erzeugt oder kontrolliert, muss der Bedarf an erfahrenen Mitarbeitern nicht im selben Maß wachsen. Unter Wettbewerbs- und Kostendruck kann er pro Arbeitsvolumen sinken.

### Phase 3: Weniger Senior-Rollen pro Arbeitsvolumen

Die dritte Phase ist der unsicherste Teil des Modells und sollte als Hypothese gelesen werden: Nach der Junior-Substitution kann auch der Bedarf an erfahrenen Rollen sinken. Nicht jede Seniorrolle verschwindet. Aber Rollen verlieren Knappheit, wenn ihr Wert überwiegend aus wiederkehrender Mustererkennung, Prozesswissen, Domänengedächtnis, Standardurteilen und Kontrolle von Zuarbeit besteht. Genau diese Elemente können agentische Systeme zunehmend vorbereiten, dokumentieren oder teilweise ausführen.

Geschützt ist nicht der Titel "Senior". Geschützt sind Verantwortung, Haftung, strategische Priorisierung, Kundenvertrauen, Verhandlung, Ausnahmeurteil, bereichsübergreifendes Systemverständnis und die Fähigkeit, Ziele und Risiken unter Unsicherheit zu definieren. Diese Arbeit bleibt knapp. Sie ist aber nicht identisch mit der heutigen Menge erfahrener Spezialisten. Knappheit wandert von Ausführung zu Verantwortung.

### Das Pipeline-Risiko

Die heikelste Langfristfolge entsteht aus der Kombination dieser Phasen. Wenn Juniors nicht mehr eingestellt werden, fehlt die Pipeline für spätere Seniors. Wenn zugleich Seniors durch Agenten stark gehebelt werden, fällt dieser Mangel zunächst kaum auf. Unternehmen können mehrere Jahre mit vorhandenen erfahrenen Kräften und KI-Systemen arbeiten. Später fehlt dann eine Generation von Menschen, die Verantwortung in der Domäne an realen Fällen gelernt hat.

Eine solche Struktur wäre instabil: wenige erfahrene Verantwortliche, viele schwer einsteigende Absolventen und eine wachsende Abhängigkeit von technischer Prozessunterstützung. Deshalb ist der Rückgang von Einstiegsstellen mehr als ein Problem junger Menschen. Er ist ein Hinweis darauf, dass sich die Struktur der Wissensarbeit verändert.

## Einwände und alternative Erklärungen {#einwaende}

Der naheliegendste Einwand lautet: Vielleicht ist nicht KI der Haupttreiber, sondern Konjunkturschwäche. Deutschland litt 2024 und 2025 unter schwacher Nachfrage, Investitionszurückhaltung und Kostendruck. Der Rückgang von Einstiegsstellen darf deshalb nicht vorschnell KI zugeschrieben werden. Die These wird erst stark, wenn Einstiegsrollen in KI-exponierten Berufsfeldern auch nach konjunktureller Bereinigung überproportional unter Druck bleiben.

Ein zweiter Einwand: Produktivitätsgewinne können neue Nachfrage erzeugen. Wenn Leistungen billiger werden, entstehen neue Produkte, mehr Projekte und zusätzliche Arbeit. Das spricht gegen einfache Nullsummenmodelle. Die stille Substitutionsthese behauptet deshalb nicht, dass Produktivität immer Beschäftigung reduziert. Sie behauptet, dass Produktivität unter bestimmten Kosten- und Wettbewerbsbedingungen Personalarchitekturen verändert.

Drittens kann KI Berufseinsteiger befähigen. Gerade weniger erfahrene Beschäftigte profitieren in manchen Studien stark von KI-Unterstützung. Daraus folgt aber nicht automatisch, dass Unternehmen mehr Einsteiger einstellen. Befähigung auf Aufgabenebene kann mit sinkender Nachfrage nach Einstiegsrollen auf Organisationsebene zusammenfallen.

Ein weiterer Einwand betrifft Plattformdaten. Stellenanzeigen auf Stepstone, LinkedIn oder anderen Plattformen zeigen wichtige Signale, aber sie erfassen nicht jede Einstellung, interne Mobilität, informelle Rekrutierung oder öffentliche Arbeitsvermittlung. Ein belastbares Frühwarnsystem muss deshalb mehrere Datenquellen verbinden.

## Warum Politik und Forschung den Bruch unterschätzen {#unterschaetzter-bruch}

Politik und Forschung ignorieren KI nicht. Deutschland diskutiert sie als Wettbewerbsfaktor, Innovationsfeld, Infrastrukturthema, Regulierungsgegenstand, Verwaltungstechnologie und Produktivitätschance. Der blinde Fleck liegt woanders: KI wird häufig als Technologie- und Innovationspolitik behandelt, weniger als unmittelbare Veränderung von Arbeit, Einstieg und Verantwortung.

### Der Bestandsfehler: Beschäftigte statt Einstellungsströme

Arbeitslosenquoten und Beschäftigungsbestände reagieren spät. Die stille Substitution beginnt früher: in Einstellungsplänen, Nicht-Nachbesetzungen, reduzierten Traineeprogrammen, veränderten Projektrollen und steigenden Erfahrungserwartungen. Wer nur den Bestand misst, sieht den Umbau erst, wenn eine Einstiegsgeneration bereits weniger Lernfälle erhalten hat.

### Der Berufskategorienfehler: Berufe bleiben, Rollen verschwinden

Viele Studien ordnen KI-Risiko nach Berufen. Das ist nützlich, aber grob. Unternehmen organisieren Wertschöpfung nicht nur nach Berufen, sondern nach Rollen in Prozessen. Eine Kanzlei braucht weiterhin Juristen, ein Softwareunternehmen weiterhin Entwickler, ein Industrieunternehmen weiterhin Controller und Operationsmanager. Aber es braucht möglicherweise weniger Menschen für Recherche, Vorprüfung, Dokumentation, Standardfälle, Zuarbeit, Reporting und interne Koordination. Der Beruf bleibt sichtbar, während seine Eintritts- und Mittelrollen schrumpfen.

### Der Produktivitätsfehler: Ergänzung kann zur Substitution werden

Produktivitätserhöhungen klingen zunächst nach guter Nachricht. Volkswirtschaftlich können sie es sein, wenn neue Nachfrage, neue Produkte und neue Tätigkeiten entstehen. Für einzelne Unternehmen unter Kostendruck bedeutet Produktivität aber oft: gleicher Output mit weniger Personal oder mehr Output ohne proportionalen Personalaufbau. Ergänzung auf Aufgabenebene kann deshalb zu Ersatz oder Verlagerung auf Organisationsebene werden.

### Der Infrastrukturfehler: Verbreitung erfolgt über Standardsoftware

Ein erheblicher Teil der Verbreitung wird nicht als großes Transformationsprogramm beginnen, sondern über bestehende Unternehmenssoftware: CRM, ERP, Office-Suiten, Ticketsysteme, HR-Systeme, Projektmanagement, Entwicklungsumgebungen und Branchenlösungen. Gartner erwartet, dass bis Ende 2026 40 Prozent der Enterprise-Anwendungen task-spezifische Agenten enthalten werden, nach weniger als 5 Prozent im Jahr 2025. Microsoft beschreibt eine Entwicklung von Assistenten über Human-Agent-Teams hin zu Organisationen, in denen Menschen Richtung setzen und Agenten Geschäftsprozesse ausführen. Beides sind Markt- beziehungsweise Herstellerperspektiven, keine neutralen Arbeitsmarktstudien. Für die Verbreitungsfrage sind sie trotzdem relevant (Gartner, 2025; Microsoft, 2025).

### Der Fantasiefehler: Nach den Juniors kommen die Seniors

Der vielleicht größte blinde Fleck liegt in der Annahme, erfahrene Fachkräfte seien dauerhaft geschützt. Kurzfristig profitieren sie tatsächlich, weil sie KI besser einsetzen und kontrollieren können. Langfristig kann genau diese Produktivitätssteigerung der Mechanismus sein, der ihre Zahl reduziert. Die Frage lautet nicht, ob ein einzelner erfahrener Mensch vollständig ersetzt wird. Die Frage lautet, wie viele erfahrene Menschen eine Organisation pro Prozess, Umsatz, Mandat, Fall oder Produkt noch benötigt.

## Konsequenzen für Forschung, Statistik, Bildung und Arbeitsmarktpolitik {#konsequenzen}

Wenn die stille Substitutionsthese stimmt, reichen allgemeines Upskilling, mehr KI-Kompetenz oder abstrakte Innovationsförderung nicht aus. Nötig ist ein Frühwarnsystem, das Einstiegs- und Lernarbeit misst. Außerdem braucht es Bildungs- und Arbeitsmarktmodelle, die Berufseinstieg unter Bedingungen agentischer Arbeit neu organisieren.

### Forschung: Von Berufsrisiko zu Prozess- und Rollenrisiko

Forschung sollte nicht nur fragen, welche Berufe KI-exponiert sind, sondern welche Rollen innerhalb eines Berufs bisher Lern-, Zuarbeits- und Kontrollfunktionen hatten. Dafür braucht es task- und prozessnahe Datensätze. Die relevante Einheit ist nicht nur "Jurist", "Controller" oder "Softwareentwickler", sondern Vertragsprüfung, Recherche, Voranalyse, Standardentscheidung, Fallabschluss, Testgenerierung, Kundentriage oder Dispositionsvorschlag.

Besonders hilfreich wären Längsschnittstudien in Unternehmen, die agentische Systeme einführen. Gemessen werden müsste, wie sich Einstellungsvolumen, Nicht-Nachbesetzung, Senior-/Junior-Verhältnis, Durchlaufzeiten, Output pro Kopf, Fehlerquoten, Lohnstruktur, Lernpfade und interne Mobilität verändern. Entscheidend ist nicht nur Beschäftigung, sondern Personalbedarf pro Prozessleistung.

### Statistik: Frühindikatoren für die Erfahrungsleiter

Ein Frühwarnsystem müsste mehrere Indikatoren zusammenführen:

- Anteil und absolute Zahl ausgeschriebener Einstiegsrollen nach Berufsfeld und KI-Exposition.
- Anteil der Stellenanzeigen mit faktischer Berufserfahrungspflicht trotz Einstiegslabel.
- Zeit bis zum ersten qualifikationsadäquaten Job nach Abschluss.
- Bewerbungen pro erfolgreichem Einstieg, differenziert nach Fachrichtung.
- Nicht-Nachbesetzungsquoten nach Ausscheiden aus Junior- und Sachbearbeiterrollen.
- Anteil KI-gestützter oder KI-geführter Prozessschritte in Unternehmen.
- Senior-/Junior-Relation in wissensintensiven Berufen.
- Lernfallvolumen pro Einsteiger: Wie viele reale Fälle bearbeitet ein Junior noch selbst?

Ohne solche Indikatoren bleibt die Debatte auf Arbeitslosenquoten fixiert. Das ist bequem, aber zu spät und zu grob.

### Bildung: Weg von Zuarbeit, hin zu agentischer Verantwortung

Hochschulen und berufliche Bildung müssen nicht nur KI-Tools vermitteln. Sie müssen Lernpfade schaffen, in denen Studierende und Berufseinsteiger lernen, Ergebnisse zu prüfen, Prozessziele zu definieren, Evidenz zu bewerten, Fehlerketten zu erkennen, Verantwortung zu übernehmen und mit unvollständigen Informationen zu entscheiden. Wenn einfache Recherche, Standardtext, Standardcode und Standardanalyse automatisiert werden, dürfen Ausbildungssysteme diese Tätigkeiten nicht länger als zentrale Leistungsnachweise behandeln.

Auch Unternehmen dürfen die Lernschicht nicht vollständig auslagern. Sie benötigen weiterhin Menschen, die Domäne, Kunden, Systeme und Risiko aus eigener Erfahrung verstehen. Wer aus Kostengründen alle Lernfälle an KI delegiert, spart kurzfristig, erzeugt aber langfristig einen Mangel an Verantwortungsträgern.

### Arbeitsmarktpolitik: Nicht nur Qualifizierung, sondern Zugang

Arbeitsmarktpolitik denkt Weiterbildung häufig als Antwort auf technologischen Wandel. Im Fall der stillen Substitution reicht das nicht. Wenn Unternehmen weniger Einstiegsplätze anbieten, löst zusätzliche Qualifikation allein das Zugangsproblem nicht. Ein Absolvent kann gut qualifiziert sein und trotzdem keinen Einstieg finden, wenn die ökonomische Funktion der Einstiegsrolle automatisiert wurde.

Politisch relevant wären deshalb Instrumente, die Zugang zu realen Lern- und Verantwortungsumgebungen sichern: Förderprogramme für KI-gestützte Trainee-Modelle, öffentliche Daten über Einstiegsquoten, steuerliche Anreize für qualifikationsadäquate Einstiegsrollen, neue Modelle dualer Wissensarbeit oder branchenspezifische Standards für Nachwuchspipelines. Der Staat muss keine ineffizienten Rollen konservieren. Er sollte aber sichtbar machen und adressieren, wenn Karrierepfade verschwinden.

### Unternehmensstrategie: Das Pipeline-Risiko internalisieren

Die bessere Strategie ist nicht, jeden Junior zu streichen. Sie besteht darin, Juniorarbeit neu zu definieren: nicht als billige Zuarbeit, sondern als kontrollierte Ausbildung in Agentensteuerung, Validierung, Ausnahmebehandlung und Prozessverantwortung. Unternehmen, die diese Pipeline erhalten, könnten später einen Vorteil haben, wenn es viele KI-Nutzer gibt, aber wenige Menschen mit echter Verantwortungsroutine.

## Schlussfolgerung {#schlussfolgerung}

Die Debatte über KI am Arbeitsmarkt sieht viele Puzzleteile: steigende Nutzung, Produktivitätseffekte, sinkende Einstiegsstellen, veränderte Kompetenzanforderungen, mögliche Beschäftigungsrückgänge und Risiken für hochqualifizierte Tätigkeiten. Was häufig fehlt, ist das Bild, das diese Teile verbindet.

Dieses Bild lautet: Generative KI und agentische Systeme reorganisieren zuerst die Zuarbeits- und Lernschicht der Wissensarbeit. Dadurch kann die Nachfrage nach Berufseinsteigern sinken. Danach erhöhen Agentensysteme die Produktivität erfahrener Fachkräfte so stark, dass auch die benötigte Zahl an Senior-Rollen pro Arbeitsvolumen sinken kann. Organisationen werden flacher, prozessgetriebener und stärker von wenigen Verantwortlichen plus vielen digitalen Agenten geprägt. Knappheit verschiebt sich von Ausführung zu Verantwortung.

Der Rückgang von Einstiegsrollen ist deshalb kein Randthema. Er ist ein frühes Signal für eine mögliche Reorganisation der Wissensarbeit. Politik wartet verständlicherweise auf eindeutige kausale Nachweise, während Unternehmen bereits betriebswirtschaftlich handeln. Diese Asymmetrie ist riskant. Wenn die Arbeitslosenstatistik den Effekt eindeutig zeigt, sind Karrierepfade möglicherweise bereits beschädigt.

Die erste Arbeitsmarktkrise der KI muss nicht als Massenentlassung beginnen. Sie kann als stille Nicht-Einstellung beginnen. Genau deshalb kann sie lange übersehen werden.

Die These ist prüfbar. Wenn sie falsch ist, müssten Einstiegsstellen in KI-exponierten Berufen nach konjunktureller Bereinigung wieder deutlich steigen, Junior-/Senior-Relationen stabil bleiben, Nicht-Nachbesetzungen keine systematische Rolle spielen und Agentenintegration keine Verringerung des Personalbedarfs pro Arbeitsvolumen erzeugen. Wenn sie richtig ist, werden die kommenden Jahre eine fortgesetzte Kompression der Einstiegsarbeit, steigende Berufserfahrungsanforderungen, höhere Output-pro-Kopf-Werte und später sinkende Mengenbedarfe auch bei mittleren und erfahrenen Spezialisten zeigen.

Für eine alternde Volkswirtschaft mit schwachem Produktivitätswachstum ist KI eine große Chance. Aber diese Chance hat eine Schattenseite: Produktivität kann Karriereleitern beschädigen, wenn sie nicht institutionell neu gebaut werden. Genau darüber sollte die politische Diskussion beginnen.

## Quellenprüfung für diese Fassung {#quellenpruefung}

Für diese Überarbeitung wurden die zentralen Aussagen erneut gegen Primärquellen, offizielle Veröffentlichungen oder etablierte bibliografische Nachweise geprüft. Die Quellen sind nach Funktion getrennt: peer-reviewte Forschung und Working Papers; amtliche beziehungsweise institutionelle Veröffentlichungen; Stellenanzeigen- und Unternehmensbefragungen; Markt- und Herstellerperspektiven. Markt- und Herstellerquellen werden nicht als neutrale Arbeitsmarktevidenz verwendet, sondern nur als Hinweise auf Diffusionsrichtung und Produktlogik.

## Literatur und Quellen {#literatur-und-quellen}

Acemoglu, D. und Autor, D. (2011): Skills, Tasks and Technologies: Implications for Employment and Earnings. In: Handbook of Labor Economics, Vol. 4B, 1043-1171. DOI: 10.1016/S0169-7218(11)02410-5.

Anthropic (2026): Labor market impacts of AI: A new measure and early evidence. Online: [anthropic.com/research/labor-market-impacts](https://www.anthropic.com/research/labor-market-impacts) (abgerufen am 6. Mai 2026).

Autor, D. H. (2015): Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3-30. DOI: 10.1257/jep.29.3.3.

Brynjolfsson, E., Chandar, B. und Chen, R. (2025): Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. Online: [digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine](https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/) (abgerufen am 6. Mai 2026).

Brynjolfsson, E., Li, D. und Raymond, L. R. (2025): Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942. DOI: 10.1093/qje/qjae044; zuerst als NBER Working Paper No. 31161.

CDU, CSU und SPD (2025): Verantwortung für Deutschland. Koalitionsvertrag 2025. Online: [cdu.de/downloads/koalitionsvertrag-2025](https://www.cdu.de/downloads/koalitionsvertrag-2025/) (abgerufen am 6. Mai 2026).

Deutscher Bundestag (2026): Regierung: Berufseinstieg durch KI nicht negativ beeinflusst. hib-Kurzmeldung 57/2026 vom 27. Januar 2026. Online: [bundestag.de/presse/hib/kurzmeldungen-1139672](https://www.bundestag.de/presse/hib/kurzmeldungen-1139672) (abgerufen am 6. Mai 2026).

Eloundou, T., Manning, S., Mishkin, P. und Rock, D. (2024): GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306-1308. DOI: 10.1126/science.adj0998.

Friedrich, M. und Kagerl, C. (2026): Künstliche Intelligenz in deutschen Betrieben: Jeder vierte Betrieb nutzt mittlerweile generative KI. IAB-Kurzbericht 8/2026. Online: [iab.de/presseinfo/jeder-vierte-betrieb-in-deutschland-nutzt-generative-ki](https://iab.de/presseinfo/jeder-vierte-betrieb-in-deutschland-nutzt-generative-ki/) (abgerufen am 6. Mai 2026).

Gartner (2025): Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025. Pressemitteilung vom 26. August 2025. Online: [gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025](https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025) (abgerufen am 6. Mai 2026).

Hennrich, J. und Schaller, D. (2026): Berufseinsteigerinnen und Berufseinsteiger im Fokus: Unternehmen setzen auf Soft Skills und Künstliche Intelligenz. Randstad-ifo-HR-Umfrage, 4. Quartal 2025. Online: [ifo.de/fakten/2026-01-19/berufseinsteigerinnen-im-fokus-unternehmen-setzen-auf-soft-skills-und-ki](https://www.ifo.de/fakten/2026-01-19/berufseinsteigerinnen-im-fokus-unternehmen-setzen-auf-soft-skills-und-ki) (abgerufen am 6. Mai 2026).

Microsoft (2025): 2025 Work Trend Index: The Year the Frontier Firm Is Born. Online: [microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born](https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born) (abgerufen am 6. Mai 2026).

Noy, S. und Zhang, W. (2023): Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187-192. DOI: 10.1126/science.adh2586.

Peng, S., Kalliamvakou, E., Cihon, P. und Demirer, M. (2023): The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590. Online: [arxiv.org/abs/2302.06590](https://arxiv.org/abs/2302.06590) (abgerufen am 6. Mai 2026).

Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung (2025): Nationaler Produktivitätsbericht 2025. Online: [sachverstaendigenrat-wirtschaft.de/fileadmin/dateiablage/gutachten/fg2025/2025_Nationaler_Produktivitaetsbericht.pdf](https://www.sachverstaendigenrat-wirtschaft.de/fileadmin/dateiablage/gutachten/fg2025/2025_Nationaler_Produktivitaetsbericht.pdf) (abgerufen am 6. Mai 2026).

Stepstone Group (2026): Analyse-Update für das Gesamtjahr: Einstiegsjobs auch 2025 deutlich unter dem Fünfjahresschnitt. Pressemitteilung vom 29. Januar 2026. Online: [thestepstonegroup.com/deutsch/newsroom/pressemitteilungen/analyse-update-fuer-das-gesamtjahr-einstiegsjobs-auch-2025-deutlich-unter-dem-fuenfjahresschnitt](https://www.thestepstonegroup.com/deutsch/newsroom/pressemitteilungen/analyse-update-fuer-das-gesamtjahr-einstiegsjobs-auch-2025-deutlich-unter-dem-fuenfjahresschnitt/) (abgerufen am 6. Mai 2026).

Wohlrabe, K. (2025): Mehr KI, weniger Jobs? Was Unternehmen in Deutschland erwarten. ifo Schnelldienst digital 8/2025. Online: [ifo.de/publikationen/2025/aufsatz-zeitschrift/mehr-ki-weniger-jobs-was-unternehmen-deutschland-erwarten](https://www.ifo.de/publikationen/2025/aufsatz-zeitschrift/mehr-ki-weniger-jobs-was-unternehmen-deutschland-erwarten) (abgerufen am 6. Mai 2026).