Wer bildet die Seniors aus, wenn die Juniors verschwinden?

Was hat ein fahrerloser Aufzug mit der Frage zu tun, wer im Zeitalter der KI noch zum Senior wird?

Der erste fahrerlose Aufzug fuhr um 1900, mit Türen und Sicherheitsleisten, die ohne Bedienperson auskamen.¹ Technisch war die Sache gelöst, bevor der Erste Weltkrieg begann. Trotzdem stiegen Fahrgäste ein, sahen sich um, und stiegen wieder aus, um nach der Aufzugsführer:in zu fragen.¹ Es dauerte mehr als fünfzig Jahre, bis der automatische Aufzug alltäglich wurde, und der Auslöser war kein technischer Durchbruch: 1945 streikten New Yorks Aufzugsführer:innen, die Stadt stand still, Gebäudeeigentümer:innen verlangten danach die Umstellung, und die Industrie baute systematisch Vertrauen auf, mit Werbung, einer beruhigenden Ansage und dem großen roten Stopp-Knopf.¹

Der Beruf Aufzugsführer:in ist mehr als eine hübsche Fußnote der Technikgeschichte. James Bessen ist dem für ein Paper des NBER nachgegangen und hat nachgesehen, was aus den 271 detailliert erfassten Berufen des US-Zensus von 1950 geworden ist.² Sein Befund: nur bei einem einzigen Beruf lässt sich das Verschwinden weitgehend auf Automatisierung zurückführen, den „elevator operators“, wie Bessen sie nennt.² Sechzig Jahre voller Automatisierung, und fast immer war es Teilautomatisierung: eine Maschine übernahm einzelne Aufgaben, der Beruf selbst blieb, manchmal wuchs er sogar. Selbst der Geldautomat, das Lehrbuchbeispiel für Verdrängung, ging mit einer wachsenden Zahl von Bankschalter-Angestellten einher, seit 2000 um 2 Prozent pro Jahr.²

Damit kommen wir zu Prognosen aus der KI-Industrie: Anthropic-CEO Dario Amodei (viele kennen Claude und arbeiten sicher damit) sagte 2025 voraus, generative KI könne die Hälfte aller Einstiegsjobs im Büro innerhalb von ein bis fünf Jahren eliminieren und die Arbeitslosigkeit auf 10 bis 20 Prozent treiben (zitiert nach ³). Humlum und Vestergaard stellen diese Aussage in ihrem Paper Daron Acemoglu gegenüber, dessen Modell für das nächste Jahrzehnt einen jährlichen Produktivitätsgewinn von unter 0,07 Prozentpunkten erwartet, und sprechen von erheblicher Uneinigkeit (zitiert nach ³).

Beide Prognosen können gleichzeitig zutreffen, weil sie verschiedene Größen betreffen, Amodei spricht über Beschäftigung, Acemoglu über Produktivität, und zu Einstiegsjobs sagt Acemoglus Zahl nichts. Dann ist das Nebeneinander weniger ein Widerspruch als eine offene Frage: welche Größe soll man bei dieser Technologie eigentlich prognostizieren?

Für eine Organisation, die natürlich auch über Einstiegsrollen entscheiden muss, bleibt dieses Nebeneinander keine akademische Frage. Ob eher Amodei oder eher Acemoglu recht behält, ändert die Frage nicht, die sich stellt, sobald ausgerechnet der Einstieg betroffen ist: wenn ein Teil der Aufgaben verschwindet, an denen jemand bisher beiläufig lernte, woher kommt in fünf oder zehn Jahren das Urteilsvermögen, das eine Senior-Rolle ausmacht? Die Antwort beginnt nicht bei einer Prognose. Sie beginnt bei dem, was 2026 bereits messbar ist, und sie läuft auf eine bedingte These hinaus:

Wenn Automatisierung die Aufgaben beseitigt, an denen bisher beiläufig gelernt wurde, und kein anderer Lernweg entsteht, muss eine Organisation den Einstieg bewusst als Lernort gestalten.

Ob das passiert, wird zur Frage, die sich jede Organisation stellen muss.

Eine Jahreszahl allein ist kein Planungsanker

Bevor sich diese Frage an der eigenen Organisation prüfen lässt, lohnt ein Blick auf die Prognosen selbst, denn beide lassen eine Frage offen, die für eine Personalentscheidung mehr wiegt als ihre Messgröße: warum ausgerechnet dieser Zeitraum, ein bis fünf Jahre bei Amodei?

Hier ein kleiner Ausflug zu Simon Wardley. Wardleys Climatic Patterns, die vorhersagbaren Kräfte auf einer Wardley Map, geben darauf eine unbequeme, aber begründete Antwort:

„You cannot measure evolution over time or adoption.“⁴

Evolution einer Technologie verläuft laut Wardley in mehreren Wellen der Diffusion, mit vielen Klüften dazwischen.⁴ Ein zweites Muster aus derselben Sammlung passt auf den Aufzugsfall: der Übergang von Produkt zu Utility verläuft typischerweise als unterbrochenes Gleichgewicht, also in Sprüngen.⁴ Ein Ereignis wie ein „Krieg“ kann eine erzwungene Industrialisierung auslösen, und dieses Ereignis zwingt Organisationen zur Anpassung, kein Kalenderdatum.⁴ Beim Aufzug war dieser Punkt der New Yorker Streik von 1945, nicht der technische Durchbruch selbst, denn der lag ja fünfzig Jahre davor! Zwischen technischer Machbarkeit und alltäglicher Nutzung lag also eine lange Lücke, am Ende geschlossen durch den Streik und den systematischen Vertrauensaufbau, der danach folgte. Eine Jahreszahl kann deshalb durchaus stimmen. Ein Kategorienfehler ist es aber, eine Jahreszahl ohne sichtbare Herleitung aus Diffusionstempo oder auslösendem Ereignis zu nennen, so wie Amodeis Prognose, die zumindest in der zitierten Form weder Mechanismus noch Daten für den Zeitraum nennt.

Dagegen ließe sich einwenden, dass ein Diffusions-Muster für die Personalplanung zu unbequem ist: wer für 2027 plant, braucht am Ende eine Zahl. Diese Zahl muss nur nicht aus einem Kalenderdatum kommen. Sie entsteht aus der eigenen Beobachtung: was sich in den eigenen Einstellungszahlen bereits zeigt, hilft der Organisation, die nächsten Personalentscheidungen zuverlässiger als ein Diffusionsdatum zu treffen, und genau das lässt sich für 2026 bereits messen.

Die Evidenzlage 2026: ein Streit mit Zahlen

Und gemessen wurde 2026 einiges, mit widersprüchlichen Ergebnissen. Da lohnt es sich genauer hinzuschauen!

Am deutlichsten zeigt sich der Rückgang bei Stanford: die Beschäftigung von 22- bis 25-Jährigen in KI-exponierten Berufen liegt 19 Prozent unter dem Wert, den sie hätte, wäre sie mit ihren weniger exponierten Altersgenoss:innen mitgewachsen.⁵ Erfahrene Beschäftigte zeigen diese Lücke nicht, und sie entsteht über weniger Einstellungen, nicht über mehr Kündigungen: die Trennungsraten junger Beschäftigter fielen in den am stärksten exponierten Berufen sogar mindestens so stark wie in den am wenigsten exponierten, das Gegenteil dessen, was eine Entlassungswelle erwarten ließe.⁵ Die Studie rahmt sich selbst als „canaries in the coal mine“, als frühe Warnindikatoren, ausdrücklich ohne Kausalanspruch.⁵

Die dänische Studie prüft dieselbe Frage hingegen von der anderen Seite. Sie blickt nicht auf den Berufsmix insgesamt, sie blickt auf die tatsächliche Nutzung im einzelnen Betrieb, und das verschiebt die Diagnose: Anders Humlum und Emilie Vestergaard finden Effekte auf Verdienste und Arbeitsstunden, die statistisch nicht von null zu unterscheiden sind, auch nicht bei täglichen Vielnutzer:innen.³ Der Rückgang bei jungen Beschäftigten lässt sich auch in Dänemark nachweisen. Die Betriebe, die generative KI aktiv einführen, erklären ihn aber nur zu einem kleinen Teil: ein Effekt der Chatbot-Adoption auf den Einsteiger:innen-Anteil größer als ein Drittel Prozentpunkt ist ausgeschlossen, und selbst im ungünstigsten Fall erklärt Adoption höchstens knapp ein Viertel des gesamten Rückgangs.³ Der Rest bleibt unerklärt.

Was die dänische Studie nicht betrachtet: ob auch allgemeine Einstellungsschwäche nach Zinswende und Pandemie-Nachwirkungen dahinterstecken. Stanford hingegen hat diese Zins-Exposition für die eigene Divergenz separat untersucht und findet dafür nur eine begrenzte erklärende Rolle.⁵ Was die dänische Studie wiederum zusätzlich zeigt: Beschäftigte reorganisieren Aufgaben in großem Umfang, mit selbstberichteter Zeitersparnis um 3 Prozent der Arbeitszeit, ohne dass sich das bislang in Löhnen oder Stunden zeigt.³ Die Autor:innen nennen das Muster „still waters, rapid currents“, ruhige Oberfläche, schnelle Strömung darunter.³

Damit kommen wir zu Yale. Auf der aggregierten US-Ebene insgesamt findet das Budget Lab an der Yale University noch keinen klaren KI-bedingten Fußabdruck: der Berufsmix verändert sich nicht erkennbar, und Maße der KI-Nutzung korrelieren nicht mit Beschäftigungs- oder Arbeitslosigkeitsveränderungen, laufend erhoben in einem öffentlichen Tracker.⁶ Das widerlegt die beiden anderen Befunde nicht, es zeigt eine Grenze: eine Verschiebung am Einstieg innerhalb bestimmter Berufsgruppen kann parallel zu einem noch unauffälligen Gesamtarbeitsmarkt existieren, weil unterschiedliche Auflösungsstufen gemessen werden.

Drei Studien betrachten also dieselbe Frage aus drei unterschiedlichen Blickwinkeln, und doch verbindet sie eine Linie: keine misst eine Entlassungswelle. Am deutlichsten zeigt das Stanford: dort, wo der Effekt auftritt, zeigt er sich am Eingang, nicht am Ausgang.⁵

Eine mögliche Erklärung: warum es den Einstieg treffen könnte

Dass ausgerechnet der Berufseinstieg betroffen ist, lässt sich gerade in der Abgrenzung zum Aufzug erklären. Beim Aufzug verschwand laut Bessen der ganze Beruf; was man in ihm lernen konnte, wurde damit gleich mit überflüssig. Bei heutigen Einstiegsrollen könnte etwas anderes passieren: einzelne Produktionsaufgaben verschwinden, während das Urteilsvermögen, zu dem sie bisher beigetragen haben, weiter gebraucht wird. Das ist eine Hypothese, die die Studien selbst offenlassen: sie zeigen den Rückgang, nicht zuverlässig seine Ursache. Bessens zentrale Unterscheidung trägt sie trotzdem: Automatisierung trifft fast immer einzelne Aufgaben, selten den ganzen Beruf, und ob ein Beruf dabei wächst oder schrumpft, entscheidet vor allem die Elastizität der Nachfrage nach seinem Output, zusammen mit der Frage, welcher andere Beruf die Arbeit übernimmt.² Bei Stanford und in Dänemark bestehen die untersuchten Einstiegsstufen aus einem Bündel gut abgrenzbarer, gut überprüfbarer Aufgaben, etwa in Buchhaltung, Kundensupport oder Sachbearbeitung.⁵³ Ob das für Einstiegsrollen allgemein gilt, zeigen die Studien nicht, sie beschreiben diese Berufsgruppen, keine übergreifende Definition des Einstiegs.

Die Stanford-Studie liefert dazu einen eigenen, vorsichtig formulierten Beleg: Berufe mit einem hohen Anteil kodifizierten, formal dokumentierbaren Wissens zeigen langsameres Beschäftigungswachstum am Einstieg, Berufe mit einem hohen Anteil an implizitem, erfahrungsbasiertem Wissen zeigen bei mittleren und späten Karrierestufen schnelleres Wachstum.⁵ Die Autor:innen selbst markieren das als „suggestive“, nicht als Beweis, und es ist ein Beschäftigungsmuster, keine Aussage darüber, was technisch automatisierbar ist: die Studie misst, wer eingestellt wird, nicht, welche Aufgaben eine Maschine übernehmen kann.⁵

Bessens eigener Befund enthält dabei eine Spannung, die er selbst offenlegt: dieselbe Teilautomatisierung, die eine Aufgabe verbilligt, kann die Nachfrage nach dem ganzen Beruf sogar erhöhen, wenn die Nachfrage elastisch genug reagiert. Beim Geldautomaten führten billigere Filialen zu mehr Filialen, und mehr Filialen zu mehr Bankschalter-Jobs.²

Billigere Einstiegsarbeit könnte also theoretisch mehr Nachfrage erzeugen, statt sie zu verdrängen. Die Studien messen erst zwei bis dreieinhalb Jahre nach der breiten Einführung generativer Chatbots, und ob dieser Zeitraum ausreicht, um eine solche Reaktion schon zu sehen, ist offen.

Die versteckte Frage: woher kommt Urteilsvermögen

Diese Frage ist älter als generative KI. Das didaktische Modell des Cognitive Apprenticeship geht seit den frühen 1990er-Jahren davon aus, dass Expertenwissen vor allem über sichtbares Vormachen, Feedback in der echten Aufgabe und schrittweise abnehmende Unterstützung entsteht, weniger über Fakten allein.⁷ Der Mechanismus setzt eine authentische Aufgabe voraus, an der geübt werden kann. Übernimmt ein Werkzeug diese Aufgabe in der Produktion, heißt das noch nicht, dass sie als Lerngelegenheit verschwindet: dieselbe Aufgabe lässt sich weiter zum Üben, Prüfen oder Reflektieren einsetzen, wenn eine Organisation das bewusst einplant. Darin liegt der Unterschied zwischen einem beiläufigen Lernort, der mit der Produktionsaufgabe automatisch mitverschwindet, und einem gestalteten Lernort, der bewusst erhalten bleibt.

Das ist ein bedingtes Risiko in der Ausbildung. Was passiert, wenn der Mechanismus oben stimmt und damit die verbleibenden Aufgaben nicht bewusst zum Üben genutzt werden können? Eine plausible Gegenhypothese, an der gleichen Stelle ungemessen: KI könnte den Kompetenzaufbau verändern oder beschleunigen, statt ihn zu behindern, wenn etwa Simulationen, gezielt herbeigeführte Störfälle oder begleitete Delegation an die Stelle träten, an der früher echte Fehler das Lernen trugen. Unterscheiden ließe sich das im Prinzip daran, ob Organisationen, die den Einstieg bewusst umbauen, in einigen Jahren ähnlich schnell zu belastbarem Urteilsvermögen bei den neuen Mitarbeitenden kommen wie früher, oder langsamer.

Das wird sich vorerst nicht messen lassen und hat eine Parallele in der Aufzugsgeschichte selbst: auch die Aufzugsbedienung kostete einen Lernort, nur einen, den heute niemand vermisst, weil die Aufgabe dahinter komplett verschwunden ist, die Fertigkeit, eine Kabine exakt auf Stockwerkshöhe zu bringen. Bei Buchhaltung, Kundensupport und Sachbearbeitung, den Berufsgruppen, die Stanford und Dänemark untersuchen, liegt der Fall anders: die Aufgabe darüber, die Aufgabe, die Urteilsvermögen verlangt, bleibt bestehen und wird eher wichtiger als weniger wichtig. Nur der Weg dorthin, über kleinere, überprüfbare Vorstufen, könnte schmaler werden, falls Organisationen ihn nicht aktiv offenhalten.

Für Organisationen heißt das: der Einstieg ist kein Kostenblock, den man vorschnell kürzt, nur weil ein Werkzeug die dort anfallenden Aufgaben schneller erledigt. Er ist eine Lernumgebung, die aktiv gestaltet werden muss, sobald sie nicht mehr von selbst als Nebenprodukt der Alltagsarbeit entsteht.

Die Form des Einstiegs gestalten

Braucht eine Organisation die heutige Form des Einstiegs überhaupt noch, wenn generative KI die Lernkurve selbst verkürzt? Dann wäre der klassische Einstieg nicht kaputt, sondern überflüssig geworden, und die richtige Reaktion hieße, den Einstieg neu zu gestalten, statt ihn zu reparieren.

Der Unterschied zwischen reparieren und neu bauen hängt an einer Frage, die bislang niemand beantwortet hat: wie viel der heutigen Einstiegsrolle aus reiner Bedienung besteht, aus Aufgaben wie der Aufzugsführer:in, die ohne Rest verschwinden können, und wie viel aus der Lerngelegenheit, die eine spätere Senior-Rolle trägt. Bei der Aufzugsbedienung war es fast ausschließlich das Erste: eine Fertigkeit, die niemand mehr braucht, weil die Aufgabe selbst weg ist. Diese Berufsgruppen am Einstieg sind wahrscheinlich eine Mischung aus beidem, und diese Mischung ist eine der Bedingungen, die darüber entscheiden, ob eine Organisation reparieren oder neu bauen muss.

Dieser Anteil lässt sich nicht am Schreibtisch schätzen. Er zeigt sich, wenn eine Organisation eine der verbliebenen Einstiegsaufgaben bewusst zum Lernort macht und beobachtet, welches Urteilsvermögen dabei entsteht, und wie schnell.

Enablement als große Frage

Am Ende bleibt eine Frage, die sich nicht mit einer Prognose beantworten lässt, sondern nur mit Beobachtung in der eigenen Organisation: welche der automatisierten Aufgaben waren zugleich wichtige Lerngelegenheiten, und was ersetzt sie, wenn sie wegfallen? Das ist unter anderem ein Aspekt, den wir beim Aufbau und der Arbeit von Enablement-Teams berücksichtigen.

Wenn dieser Mechanismus zutrifft und kein anderer Lernweg entsteht, fehlt in einigen Jahren möglicherweise genau die Person, die heute noch in Buchhaltung, Kundensupport oder Sachbearbeitung lernt: die erfahrene Fachkraft, die Grenzfälle entscheidet, Verantwortung übernimmt und die Arbeit von Menschen und Agenten beurteilen kann, eine Rolle, die heute noch niemand besetzen muss. Der Engpass zeigt sich dann nicht mehr am Einstieg. Er zeigt sich an der Stelle, an der er am teuersten ist, und genau darüber reden wir gern, bevor diese Stelle erreicht ist: über unser Enablement-Team, oder direkt im Kontakt.

Ressourcen

• James Bessen (2016). How Computer Automation Affects Occupations: Technology, Jobs, and Skills. NBER Summer Institute. conference.nber.org/confer/2016/SI2016/PRIT/Bessen.pdf
• Steve Henn (2015). Remembering When Driverless Elevators Drew Skepticism. NPR Planet Money. npr.org
• Ben Mosior (2021). Climatic Patterns. Learn Wardley Mapping. learnwardleymapping.com/climate
• Erik Brynjolfsson, Bharat Chandar, Ruyu Chen (Revision August 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
• Anders Humlum, Emilie Vestergaard (revidiert März 2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper w33777. nber.org
• The Budget Lab at Yale (veröffentlicht 2026-07-16, aktualisiert 2026-09-15). Tracking the Impact of AI on the Labor Market. budgetlab.yale.edu
• Allan Collins, John Seely Brown, Ann Holum (1991). Cognitive Apprenticeship: Making Thinking Visible. American Educator, 15(3), 6-11, 38-46. aft.org/ae/winter1991/collins_brown_holum

Wie dieser Artikel entstanden ist

Grundlage sind fünf Primärquellen, das NBER-Paper von James Bessen zur Computer-Automatisierung, das Stanford-Working-Paper zu „Canaries in the Coal Mine“, die dänische Registerstudie von Humlum und Vestergaard, der Yale-Budget-Lab-Tracker und der Aufsatz von Collins, Brown und Holum zur Cognitive Apprenticeship, dazu zwei Sekundärquellen: der NPR-Beitrag zur Aufzugsbedienung und Ben Mosiors Zusammenstellung von Wardleys Climatic Patterns. Die Prognosen von Amodei und Acemoglu zitiere ich so, wie Humlum und Vestergaard sie gegenüberstellen, nicht aus den Originalen. Die verlinkten Quellen habe ich an ihren Original-URLs angesehen und dann in unserem LLM-Wissenswiki abgelegt. Recherche-Struktur und diesmal rund fünf Versionen des Entwurfs entstanden mit KI-Unterstützung; Zahlen und Zitate stammen aus den verlinkten Primärquellen und wurden vor der Veröffentlichung gegengeprüft, ebenso die Argumentation gegen eine gegnerische Zweitlesung (den vollständigen Ablauf beschreibe ich in AI-gestützte Wissensarbeit: Wie ich meinen Recherche- und Schreibprozess neu aufbaue).