Die Erzählung ist verlockend in ihrer Einfachheit: KI macht Mitarbeitende produktiver, also braucht man weniger Mitarbeitende, also lässt sich die Belegschaft reduzieren. Sie ist in den meisten Fällen auch falsch — und die Unternehmen, die Strategien auf dieser Logik aufgebaut haben, beginnen den Unterschied zwischen dem zu entdecken, was in einer Investorenpräsentation plausibel klingt, und dem, was in der Praxis tatsächlich passiert.
Dieser Artikel vertritt ein spezifisches Argument. Es ist nicht, dass KI die Produktivität nicht steigert — das tut sie, auf dokumentierte und bedeutungsvolle Weise. Das Argument ist, dass Produktivitätsgewinne bei spezifischen Aufgaben kategorisch verschieden sind von der Elimination ganzer Stellen, und dass sie als gleichwertig zu behandeln Entscheidungen erzeugt, die Organisationen schaden, während sie auf einem logischen Fehler beruhen.
Was die Produktivitätsforschung tatsächlich zeigt
Die stärksten Belege für KIs Produktivitätseffekte kommen aus einer kleinen Anzahl sorgfältig konzipierter Feldstudien. Noy und Zhang (2023) fanden in einem vorregistrierten Experiment mit 453 College-ausgebildeten Fachleuten, dass der Zugang zu ChatGPT die durchschnittliche Zeit für professionelle Schreibaufgaben um 40 % reduzierte und die Bewertungen der Ausgabequalität um 18 % steigerte (Noy & Zhang, 2023, Science). Brynjolfsson, Li und Raymond (2023) stellten in einer Studie mit 5.172 Kundenservice-Agenten eines Fortune-500-Unternehmens über 3 Millionen echte Kundeninteraktionen einen Anstieg der pro Stunde gelösten Fälle um 14 % fest, wobei die größten Gewinne — 34 bis 35 % — bei den am wenigsten erfahrenen Mitarbeitenden konzentriert waren (Brynjolfsson et al., 2023, Quarterly Journal of Economics). Peng et al. (2023) stellten fest, dass GitHub Copilot die für eine spezifische Softwareentwicklungsaufgabe benötigte Zeit etwa halbierte.
Das sind reale, signifikante, reproduzierbare Effekte. Es sind auch Effekte auf spezifische Aufgaben innerhalb spezifischer Stellen — Schreiben, Kundenservice-Chat-Antworten, gezielte Codierprobleme. Sie sagen nichts darüber aus, ob die Stellen, die diese Aufgaben enthalten, überflüssig werden.
Die Aufgaben-Stellen-Lücke: warum diese Unterscheidung zählt
Jede Stelle ist ein Bündel von Aufgaben. KI kann einige dieser Aufgaben beschleunigen, dabei assistieren oder automatisieren. Aber selbst dort, wo KI einen bedeutenden Anteil der Aufgabenkomponenten einer Stelle übernehmen kann, folgt daraus nicht, dass die Stelle als Ganzes überflüssig wird.
Der Nobelpreisträgerwirtschaftswissenschaftler Daron Acemoglu vom MIT schätzte in einer viel zitierten Analyse von 2024, die ein aufgabenbasiertes makroökonomisches Modell anwendet, dass nur etwa 5 % der gesamtwirtschaftlichen Aufgaben sowohl KI-exponiert als auch innerhalb des nächsten Jahrzehnts profitabel automatisierbar sind (Acemoglu, 2024, „The Simple Macroeconomics of AI"). Das ist keine Behauptung, dass KI unwichtig ist. Es ist eine präzise Behauptung über die Lücke zwischen dem, was KI in einem kontrollierten Experiment leisten kann, und dem, was sie kosteneffektiv über das reale wirtschaftliche Spektrum unordentlicher, vielfältiger, kontextabhängiger Arbeitssituationen ersetzen kann.
Die OECD-Analyse von 2024 über die Auswirkungen von KI auf Produktivität, Verteilung und Wachstum kommt zu einer ähnlichen Schlussfolgerung: KIs Produktivitätseffekte sind zwar real, aber auf spezifische wissensintensive Aufgaben konzentriert und noch nicht in aggregierten Produktivitätsstatistiken erkennbar — die für 2024 nur bescheidenes Wachstum von rund 0,4 % über OECD-Länder zeigten, ohne erkennbares KI-Signal auf Makroebene (Filippucci et al., 2024, OECD AI Papers, Nr. 15).
Die Erklärung dafür, warum Produktivitätsgewinne auf Aufgabenebene keine Beschäftigungsrückgänge auf Makroebene erzeugen, ist struktureller Natur. Wenn eine Mitarbeiterin eine Aufgabe 40 % schneller erledigt, wird die eingesparte Zeit typischerweise in andere Aufgaben innerhalb derselben Stelle, in höherwertige Ausgaben, in die Verwaltung von KI-Fehlern und Grenzfällen oder in den erweiterten Umfang absorbiert, der oft auf demonstrierte Produktivitätsverbesserung folgt. Die Stelle verändert sich. Sie verschwindet nicht.
Der Fall Klarna: Was vollständige Ersetzung tatsächlich erzeugt
Klarna wurde 2023 und 2024 zu einem der meistzitierten Beispiele für KI, die menschliche Arbeit in großem Maßstab ersetzt. Das schwedische Fintech-Unternehmen setzte einen KI-Assistenten — entwickelt mit OpenAI — ein, von dem es behauptete, er erledige die Arbeit von 700 Kundenservice-Agenten und bearbeite etwa zwei Drittel aller Kundeninteraktionen. Die KI löste Probleme in unter 2 Minuten, verglichen mit 11 Minuten für menschliche Agenten. Die Belegschaft sank von über 5.500 auf rund 3.500. Die Geschichte wurde weltweit als Beweis dafür berichtet, dass KI-getriebene Personalreduzierung angekommen sei.
Bis Mitte 2025 stellte Klarna wieder ein. CEO Sebastian Siemiatkowski räumte öffentlich ein, was die Daten gezeigt hatten: Die Kundenzufriedenheit hatte sich verschlechtert, die Servicequalität bei komplexen Interaktionen war gesunken, und die prognostizierten Kosteneinsparungen hatten sich nicht vollständig materialisiert. „Wir haben uns zu sehr auf Effizienz und Kosten konzentriert", sagte Siemiatkowski gegenüber Journalisten. „Das Ergebnis war geringere Qualität, und das ist nicht nachhaltig." Die KI hatte einfache Anfragen gut bearbeitet. Die Interaktionen, mit denen sie schlecht umging — emotional aufgeladen, mehrstufig, echte Empathie oder nuanciertes Urteilsvermögen erfordern — hatten sich angesammelt, waren ungelöst geblieben und hatten die Kundenbeziehung erodiert.
Der Klarna-Fall ist kein Argument dafür, dass KI-Tools keinen Platz im Kundenservice haben. Er ist ein Argument darüber, was passiert, wenn Fähigkeiten auf Aufgabenebene als Ersetzbarkeit auf Rollenebene behandelt werden.
Der Amazon-Just-Walk-Out-Fall: Die verborgene Belegschaft
Eine andere Illustration desselben zugrundeliegenden Problems ergab sich aus Amazons „Just Walk Out"-Technologie — dem KI-betriebenen, kassiererfreien Kassensystem, das in seinen Fresh-Lebensmittelgeschäften eingeführt wurde. Die Technologie wurde als Schaufenster autonomer KI präsentiert: Kunden nehmen Waren und gehen einfach raus, wobei KI den gesamten Kassiervorgang durch Computer Vision und Sensordaten übernimmt.
Im Jahr 2024 berichtete The Information, dass das System auf mehr als 1.000 Mitarbeitende in Indien angewiesen war, die manuell Einkaufsvideos überprüften, wobei rund 7 von 10 Transaktionen menschliche Bestätigung erforderten. Amazon hielt daran fest, dass diese Mitarbeitenden Daten kennzeichneten und Backup für die KI lieferten — aber die verzögerten Quittungen, die Kunden Stunden nach Verlassen der Geschäfte erhielten, waren das sichtbare Zeichen dafür, dass menschliche Überprüfung in das eingebettet war, was als automatisierter Prozess dargestellt worden war. Amazon stellte daraufhin Just Walk Out in seinen eigenen Lebensmittelgeschäften ein.
Was die KI-Entlassungsdaten zeigen
Zwischen 2022 und 2025 erlebte der Technologiesektor über 685.000 kumulative Stellenstreichungen. Die Ursachen waren gemischt: pandemiebedingte Übereinstellung, steigende Zinsen und echte KI-getriebene Umstrukturierung. Ein konsistentes Muster hat sich herausgeschält: Unternehmen, deren Entlassungen spezifisch als KI-Ersatz gerahmt wurden, haben entweder bei den versprochenen Effizienzgewinnen unterdurchschnittlich abgeschnitten oder begannen leise, ähnliche Rollen neu zu besetzen.
Das International Center for Law & Economics-Review der empirischen KI- und Arbeitsmarktbelege (2025–2026) stellte fest, dass „die aggregierten Arbeitsmarkteffekte bis 2024–2025 in den meisten Datensätzen begrenzt bleiben" und dass Studien „keine Evidenz für unmittelbare wirtschaftsweite Arbeitskraftverdrängung finden." Die beobachteten Effekte haben sich bei Berufseinsteigern in spezifisch KI-exponierten Berufen konzentriert, wobei jüngere Arbeitnehmer einen überproportionalen Anteil der Anpassungskosten tragen.
Die positive Seite: Was KI-Produktivitätsgewinne tatsächlich ermöglichen
Die nützlichere Frage für Führungskräfte ist nicht „Wie viele Stellen können wir streichen?" sondern „Wozu wird das Team jetzt in der Lage sein, wozu es vorher nicht in der Lage war?" Das ist keine rhetorische Umrahmung. Es hat materielle Auswirkungen auf die Geschäftsergebnisse.
Wenn KI-Tools die individuelle Produktivität bei spezifischen Aufgabenkategorien um 14–40 % steigern, können die Menschen in diesen Rollen die freigesetzte Kapazität für mehrere Dinge nutzen: mehr Ausgaben derselben Art produzieren, hochwertigere Ausgaben produzieren, komplexere oder urteilsintensivere Arbeit übernehmen, die zuvor zu zeitaufwendig war, oder Fähigkeiten entwickeln, die die Organisation langfristig leistungsfähiger machen.
Die Organisationen, die den größten Wert aus KI-Produktivitätsgewinnen gezogen haben, sind konsistent jene, die die Kapazität in die dritte und vierte Kategorie geleitet haben — KI als Fähigkeitsmultiplikator statt als Rechtfertigung für Personalabbau. Ein Beratungsteam, das KI für Recherchesynthese und Ersterstellung einsetzt, muss nicht kleiner werden. Es kann mehr Klienten betreuen, komplexere Probleme angehen und bessere Arbeit leisten als ein größeres Team es vorher konnte.
Was gute Führung hier bedeutet
Die Evidenz legt einige praktische Schlussfolgerungen für Führungskräfte nahe.
Machen Sie die Aufgabenanalyse, nicht die Kopfzahlenanalyse. Die richtige Frage ist: Welche spezifischen Aufgaben innerhalb welcher spezifischen Rollen kann KI bei assistieren oder beschleunigen? Nicht: Wie viele Rollen kann KI ersetzen? Die erste Frage erzeugt nützliche Entscheidungen. Die zweite erzeugt das Klarna-Ergebnis.
Behandeln Sie Produktivitätsgewinne als Kapazität, nicht als Kostensenkung. Wenn KI-Tools Zeit innerhalb bestehender Rollen freisetzen, liegt der Wert darin, wohin diese Kapazität geleitet wird — nicht darin, wie schnell sie in eine kleinere Lohnliste umgewandelt werden kann.
Erkennen Sie die Aufgaben, die KI nicht kann. Empathie in schwierigen Gesprächen. Urteilsvermögen in echten Novumsituationen. Verantwortung für Entscheidungen, die Menschen betreffen. Vertrauensbasierte Beziehungen mit Klienten und Kollegen. Das sind keine vorübergehenden Lücken in KIs Fähigkeit, die darauf warten, geschlossen zu werden. Es sind strukturelle Merkmale dessen, was menschliches professionelles Urteilsvermögen wertvoll macht.
Investieren Sie in Entwicklung statt in Elimination auf der Juniorebene. Das Muster der Elimination von Einstiegspositionen erodiert die Pipelines, durch die Senior-Fähigkeiten aufgebaut werden. Die Organisationen, die heute Junior-Positionen streichen, schaffen Fähigkeitslücken, die in fünf bis acht Jahren sichtbar werden.
Die Falle
Die KI-Produktivitätsfalle ist die Lücke zwischen dem, was die Evidenz sagt, und dem, was bestimmte Unternehmensnarrative behaupten. Die Evidenz sagt: KI kann die Produktivität bei spezifischen Aufgaben, bei spezifischen Mitarbeitenden, in spezifischen Kontexten bedeutsam steigern. Das ist wirklich wertvoll.
Was die Evidenz nicht sagt — und worauf Klarnas Wiedereinstellungen, Amazons Enthüllungen, die flachen aggregierten Produktivitätsstatistiken und Acemoglus Analyse alle hinweisen — ist, dass Produktivitätsgewinne auf Aufgabenebene Personalreduzierungen in großem Maßstab rechtfertigen. Das tun sie nicht, aus strukturellen Gründen, die sich kurzfristig kaum ändern werden: weil Stellen mehr als ihre KI-automatisierbaren Aufgaben enthalten, weil die Aufgaben, die KI am schlechtesten bearbeitet, oft die Folgenreichsten sind, und weil die durch KI freigesetzte Kapazität mehr Wert hat, wenn sie in höherwertige Arbeit gelenkt wird als in eine kleinere Belegschaft.
Quellen
- Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–953.
- Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv:2302.06590.
- Acemoglu, D. (2024). The simple macroeconomics of AI. Economics Letters, 261, 111625.
- Filippucci, F., et al. (2024). The impact of artificial intelligence on productivity, distribution and growth. OECD Artificial Intelligence Papers, No. 15. https://doi.org/10.1787/8d900037-en
- OECD (2025). OECD Compendium of Productivity Indicators 2025. OECD Publishing, Paris.
- Dell'Acqua, F., et al. (2023). Navigating the jagged technological frontier. Harvard Business School Working Paper 24-013.
- International Center for Law & Economics (2026). AI, productivity, and labor markets: A review of the empirical evidence.
Want to explore this further?
Start with a free 30-minute discovery session — no commitment required.
Book a Discovery Call