Automatisierung, KI und Arbeitsplätze: Was die Evidenz zeigt und was weiterhin Prognose ist

Aussagen über künstliche Intelligenz und Arbeitsplätze reichen von „die Hälfte aller Arbeitsplätze wird verschwinden“ bis zu „nichts hat sich verändert“. Die meisten dieser Aussagen vermischen drei unterschiedliche Arten von Behauptungen: was über die Automatisierung der Vergangenheit gemessen wurde, was darüber geschätzt wurde, welche Aufgaben neue Technologien übernehmen könnten, und was für die Zukunft prognostiziert wird. Diese Studie trennt sie voneinander. Sie untersucht die bekanntesten Forschungsarbeiten zu Industrierobotern, die vielzitierten Schätzungen zu Arbeitsplätzen, die durch Computerisierung „gefährdet“ sind, sowie deren Kritik, die Studien zur Exposition gegenüber großen Sprachmodellen von Forschenden bei OpenAI und der Internationalen Arbeitsorganisation, Feld- und Laborexperimente zu generativer KI und Produktivität sowie die ersten Studien zu tatsächlichen Arbeitsmarktergebnissen in den Jahren 2023–2026. Die gesicherten Erkenntnisse sind enger gefasst, als die öffentliche Debatte vermuten lässt: Automatisierung hat Arbeitskräfte an bestimmten Orten und in bestimmten Gruppen verdrängt, während sich die Beschäftigung insgesamt bislang angepasst hat; generative KI steigert die Produktivität bei einigen Aufgaben, besonders bei weniger erfahrenen Arbeitskräften; und frühe Verwaltungsdaten zeigen keine Verdrängung im gesamtwirtschaftlichen Maßstab, aber eine wachsende Beschäftigungslücke bei jungen Arbeitskräften in den am stärksten exponierten Berufen. Alles, was darüber hinausgeht, ist Prognose.

Zentrale Erkenntnisse

• Roboter hatten messbare lokale Auswirkungen. In US-amerikanischen Pendlerregionen verringerte ein zusätzlicher Industrieroboter je tausend Arbeitskräfte die Beschäftigungsquote um 0.2 Prozentpunkte und die Löhne um 0.42% (Acemoglu and Restrepo, 2020). In Deutschland wurden die durch Roboter bedingten Arbeitsplatzverluste im verarbeitenden Gewerbe vollständig durch neue Arbeitsplätze im Dienstleistungssektor ausgeglichen; die Hauptlast trugen junge Menschen, die in den Arbeitsmarkt eintraten (Dauth et al., 2021). In 17 Ländern steigerten Roboter zwischen 1993–2007 das jährliche Wachstum der Arbeitsproduktivität um etwa 0.36 Prozentpunkte, ohne die Gesamtbeschäftigung signifikant zu verringern (Graetz and Michaels, 2018).
• Schätzungen zu „gefährdeten Arbeitsplätzen“ sind keine Prognosen von Arbeitsplatzverlusten. Frey und Osbornes Schätzung aus dem Jahr 2013, wonach etwa 47% der Beschäftigung in den USA einem hohen Risiko der Computerisierung ausgesetzt waren, beschrieb das technische Potenzial „über eine nicht näher bestimmte Zahl von Jahren, vielleicht ein oder zwei Jahrzehnte“. Eine aufgabenbasierte Neuanalyse für die OECD kam zu dem Ergebnis, dass im Durchschnitt 9% der Arbeitsplätze in 21 OECD-Ländern automatisierbar waren.
• Große Sprachmodelle können bei vielen Aufgaben zum Einsatz kommen. Eloundou und Kollegen schätzen, dass bei rund 80% der US-amerikanischen Erwerbsbevölkerung mindestens 10% ihrer Arbeitsaufgaben von großen Sprachmodellen betroffen sein könnten und bei etwa 19% mindestens die Hälfte; mit einem LLM allein könnten etwa 15% der Aufgaben bei gleichbleibender Qualität deutlich schneller erledigt werden, mit darauf aufbauender Software steigt der Anteil auf 47–56%.
• Die ILO erwartet eher eine Transformation als eine Automatisierung. Ihr Index für 2025 zeigt, dass weltweit jeder vierte Beschäftigte in einem Beruf mit einer gewissen Exposition gegenüber generativer KI tätig ist und 3.3% der weltweiten Beschäftigung in die Kategorie mit der höchsten Exposition fallen — 4.7% der weiblichen gegenüber 2.4% der männlichen Beschäftigung. In Ländern mit hohem Einkommen sind 34% der Beschäftigung exponiert, gegenüber 11% in Ländern mit niedrigem Einkommen.
• KI-Unterstützung steigert die Produktivität bei gemessenen Aufgaben. Bei 5,172 Kundendienstmitarbeitenden erhöhte der Zugang zu einem KI-Assistenten die Zahl der pro Stunde gelösten Anliegen durchschnittlich um 15%, wobei die größten Zuwächse bei weniger erfahrenen und geringer qualifizierten Arbeitskräften zu verzeichnen waren (Brynjolfsson, Li and Raymond, 2025). In einem Experiment mit 453 Fachkräften verkürzte ChatGPT die Bearbeitungszeit für Schreibaufgaben um 40% und steigerte die Qualität um 18% (Noy and Zhang, 2023).
• Frühe Ergebnisdaten zeigen keine Verdrängung im Aggregat. Dänische Verwaltungsdaten zeigen präzise geschätzte Nulleffekte von KI-Chatbots auf Einkommen und Arbeitsstunden und schließen Effekte von mehr als 2% zwei Jahre nach dem Start von ChatGPT aus (Humlum and Vestergaard, 2025). US-amerikanische Lohnabrechnungsdaten bis Juni 2026 zeigen keine weit verbreitete Verdrängung; die Beschäftigung von 22–25-Jährigen in KI-exponierten Berufen liegt jedoch 19% unter dem Niveau, das sie erreicht hätte, wenn sie mit weniger exponierten Vergleichsgruppen Schritt gehalten hätte — eine deskriptive Lücke, keine kausale Schätzung (Brynjolfsson, Chandar and Chen, revised 2026).
• Die makroökonomischen Gewinne könnten bescheiden ausfallen. Acemoglu (2025) schätzt, dass KI die totale Faktorproduktivität über zehn Jahre um höchstens 0.66% und möglicherweise um weniger als 0.53% steigern wird.

Forschungsfrage und Untersuchungsrahmen

Diese Studie fragt, was die Forschung über die Auswirkungen von Automatisierung und KI auf Beschäftigung, Löhne und die Organisation der Arbeit festgestellt hat — und was nicht. Diese Frage ist von Interesse, weil sie der Debatte über eine „post-labour“-Gesellschaft zugrunde liegt: ob Gesellschaften neue Institutionen — Grundeinkommen, öffentliche Vermögensfonds, neue Eigentumsformen — benötigen, weil die Nachfrage nach menschlicher Arbeit sinken wird.

Der Untersuchungsbereich umfasst begutachtete Forschung und vielbeachtete Working Papers aus den Jahren 2013 bis 2026 in fünf Kategorien: lokale Arbeitsmarktstudien zu Industrierobotern; Schätzungen des „Risikos“ von Berufen; Expositionsindizes für generative KI; Experimente zur Produktivität; und frühe administrative Befunde zu Arbeitsmarktergebnissen seit der Veröffentlichung von ChatGPT im November 2022. Wir untersuchen weder Branchenprognosen noch Beratungsberichte oder Umfragen zu den Absichten von Führungskräften, die häufig zitiert werden, ihre Methodik jedoch selten transparent machen. Andere Studien des Atlas behandeln die Evidenz zu Einkommensstützungspolitiken, die auf Veränderungen am Arbeitsmarkt reagieren könnten.

Hintergrund

Eine alte Frage

Die Angst vor technologischer Arbeitslosigkeit ist so alt wie die Industrieökonomie. John Maynard Keynes prägte 1930 den Begriff „technologische Arbeitslosigkeit“ und beschrieb damit Arbeitslosigkeit, die dadurch entsteht, dass die Entdeckung von Möglichkeiten zur Einsparung von Arbeit schneller voranschreitet als die Erschließung neuer Einsatzmöglichkeiten für Arbeitskräfte. Seitdem ist die Beschäftigung in reichen Ländern durch wiederholte Wellen der Mechanisierung und Computerisierung gewachsen.

Warum Arbeitsplätze bislang fortbestanden haben

David Autors Essay „Why Are There Still So Many Jobs?“ aus dem Jahr 2015 fasst die gängige Erklärung zusammen. Automatisierung ersetzt zwar wie beabsichtigt Arbeitskräfte, ergänzt sie aber auch, steigert die Produktion auf eine Weise, die die Nachfrage nach Arbeitskräften erhöht, und wirkt mit Anpassungen des Arbeitskräfteangebots zusammen. Autor argumentiert, dass Kommentatoren dazu neigen, die Ersetzung von Arbeitskräften durch Maschinen zu überschätzen und diese Komplementaritäten zu ignorieren. Technologie verändert zwar, welche Arbeitsplätze verfügbar sind und wie sie bezahlt werden: In den vergangenen Jahrzehnten führte eine „Polarisierung“ des Arbeitsmarkts dazu, dass Lohnzuwächse überproportional den Beschäftigten am oberen und unteren Ende der Kompetenzverteilung zugutekamen, nicht denen in der Mitte.

Aufgaben, nicht Arbeitsplätze

Der moderne Rahmen, der unter anderem von Daron Acemoglu und Pascual Restrepo entwickelt wurde, betrachtet Arbeitsplätze als Bündel von Aufgaben. In ihrem Modell von 2018 verringert die Automatisierung bestehender Aufgaben die Beschäftigung und den Anteil der Arbeit am Einkommen und kann die Löhne senken, während die Schaffung neuer Aufgaben, bei denen Arbeit einen komparativen Vorteil hat, den gegenteiligen Effekt hat. Ob sich die Position der Arbeit verbessert oder verschlechtert, hängt vom Wettlauf zwischen diesen beiden Kräften ab. In einer Variante mit heterogenen Kompetenzen steigt die Ungleichheit während Übergangsphasen, die entweder durch schnellere Automatisierung oder durch neue Aufgaben angetrieben werden. Dieser Rahmen erklärt, warum die Frage „Wie viele Arbeitsplätze bedroht KI?“ die falsche Frage ist: Entscheidend ist, welche Aufgaben automatisiert werden, welche neuen Aufgaben entstehen und wie schnell Beschäftigte zwischen ihnen wechseln können.

Methode und Quellen

Fünf Arten von Evidenz

Wie der Atlas Aussagen bewertet

Wir stufen Befunde aus der ersten und vierten Kategorie als etabliert ein, wenn sie aus begutachteten Studien mit glaubwürdiger Identifikationsstrategie stammen, und erkennen zugleich an, dass sie bestimmte Technologien, Orte und Zeiträume beschreiben. Expositionsschätzungen betrachten wir als als Messungen etabliert, nicht jedoch als Prognosen. Die frühe Beobachtung von Ergebnissen stufen wir als im Entstehen begriffen ein: aufschlussreich, aber noch zu neu, um schlüssige Schlussfolgerungen zu ermöglichen. Jede Aussage zur künftigen Gesamtbeschäftigung betrachten wir als Prognose.

Befunde: Industrieroboter

Vereinigte Staaten

Acemoglu and Restrepo (2020) untersuchen die Auswirkungen von Industrierobotern auf die US-Arbeitsmärkte. Dabei nutzen sie Unterschiede in der Robotikexposition, die anhand des Fortschritts in der Robotik auf Branchenebene und der Branchenstruktur jeder Pendlerzone bestimmt werden. Sie stellen robuste negative Auswirkungen auf Beschäftigung und Löhne fest: Ein zusätzlicher Roboter je tausend Beschäftigte senkt das Verhältnis von Beschäftigung zu Bevölkerung um 0,2 Prozentpunkte und die Löhne um 0,42 %. Die nach 1990 am stärksten Robotern ausgesetzten Gebiete weisen davor keine unterschiedlichen Trends auf, und die Auswirkungen von Robotern unterscheiden sich von denen anderer Kapitalgüter und Technologien.

Deutschland

Dauth, Findeisen, Suedekum and Woessner (2021) verwenden detaillierte Verwaltungsdaten, um die Anpassung lokaler deutscher Arbeitsmärkte an Industrieroboter zu untersuchen. Die Roboterexposition geht mit Arbeitsplatzverdrängung im verarbeitenden Gewerbe einher; diese Verluste werden jedoch vollständig durch neue Arbeitsplätze im Dienstleistungssektor ausgeglichen. Die Belastung trifft vor allem junge Menschen, die gerade in den Arbeitsmarkt eintreten und sich statt für eine Berufsausbildung eher für Hochschulen und Universitäten entscheiden. Beschäftigte, die bereits in ihren Unternehmen tätig sind, haben stabilere Beschäftigungsverhältnisse, häufig indem sie in ihren ursprünglichen Betrieben neue Aufgaben übernehmen; Beschäftigte in Berufen mit ergänzenden Aufgaben, etwa Führungskräfte und technische Wissenschaftlerinnen und Wissenschaftler, profitieren.

Länderübergreifende Evidenz

Graetz and Michaels (2018) analysieren die Einführung von Robotern in 17 Ländern von 1993 bis 2007. Der verstärkte Einsatz von Robotern trug rund 0,36 Prozentpunkte zum jährlichen Wachstum der Arbeitsproduktivität bei, während er zugleich die totale Faktorproduktivität erhöhte und die Produktionspreise senkte. Sie stellen fest, dass Roboter die Gesamtbeschäftigung nicht signifikant verringerten, wohl aber den Anteil gering qualifizierter Arbeitskräfte an der Beschäftigung senkten.

Was die Roboterstudien belegen

Die drei Studien widersprechen einander nicht. Automatisierung kann Beschäftigung und Löhne in exponierten Regionen und Gruppen verringern, während sich die Gesamtbeschäftigung anpasst – abhängig von Institutionen, Nachfrage und Einführungstempo. Die Verteilungswirkungen – auf Regionen, junge Arbeitsmarkteinsteiger und geringqualifizierte Arbeitskräfte – sind besser belegt als jeder Gesamteffekt.

Befunde: Schätzungen zu Arbeitsplätzen „mit Automatisierungsrisiko“

Frey und Osborne

In einem Arbeitspapier vom 17. September 2013, das später in Technological Forecasting and Social Change (2017) veröffentlicht wurde, schätzten Carl Benedikt Frey und Michael Osborne die Wahrscheinlichkeit der Computerisierung für 702 detaillierte Berufe. Dafür verwendeten sie Experteneinschätzungen für eine Teilmenge und einen statistischen Klassifikator für die übrigen Berufe. Sie kamen zu dem Schluss, dass sich etwa 47% der gesamten US-Beschäftigung in der Kategorie mit hohem Risiko befanden, „was bedeutet, dass die betreffenden Berufe über eine nicht näher bestimmte Anzahl von Jahren, möglicherweise ein oder zwei Jahrzehnte, potenziell automatisierbar sind“. Außerdem stellten sie einen starken negativen Zusammenhang zwischen der Wahrscheinlichkeit der Computerisierung eines Berufs und dessen Löhnen und Bildungsniveau fest.

Kritik

Die Zahl von 47% wurde zu einer der meistzitierten Zahlen in der Automatisierungsdebatte, oft als Prognose, dass die Hälfte aller Arbeitsplätze verschwinden werde. Drei Kritikpunkte sind wichtig.

1. Berufe sind nicht gleich Aufgaben. Arntz, Gregory und Zierahn (2016) argumentierten für die OECD, dass die Annahme, ganze Berufe würden automatisiert, das Automatisierungspotenzial überschätzt, da Berufe, die als risikoreich eingestuft werden, oft immer noch einen erheblichen Anteil schwer automatisierbarer Aufgaben umfassen. Unter Berücksichtigung der Heterogenität der Aufgaben innerhalb von Berufen stellten sie fest, dass durchschnittlich 9% der Arbeitsplätze in 21 OECD-Ländern automatisierbar waren; die Werte reichten von 6% in Korea bis 12% in Österreich.
2. Technisches Potenzial bedeutet nicht Einführung. Ob eine Aufgabe automatisiert wird, hängt von Kosten, Regulierung, organisatorischem Wandel und Nachfrage ab, nicht nur von der technischen Machbarkeit. Frey und Osborne bezeichneten ihre Einschätzung ausdrücklich als „grobe Zeitschätzung“ und nicht als Vorhersage von Arbeitsplatzverlusten.
3. Schätzungen auf individueller Ebene weichen ab. Nedelkoska und Quintini (2018) bauten für die OECD auf Frey und Osbornes Experteneinschätzung auf, schätzten das Risiko jedoch für einzelne Arbeitsplätze anhand der Erhebung zu den Kompetenzen Erwachsener in 32 Ländern und stellten einen Zusammenhang zwischen Risiko, Kompetenznutzung und Weiterbildung her. Ihr Ansatz liefert, ebenso wie der von Arntz und Kollegen, Schätzungen, die deutlich unter der berufsbezogenen Zahl liegen.

Ein Jahrzehnt später

Mehr als ein Jahrzehnt nach dem Papier von 2013 ist die Beschäftigung in den USA nicht annähernd um 47% gesunken. Das beweist nicht, dass Frey und Osborne falsch lagen, da sie keinen Zeitpunkt prognostizierten, veranschaulicht aber, warum Schätzungen des technischen Potenzials nicht als Prognosen gelesen werden sollten.

Befunde: Exposition gegenüber generativer KI

„GPTs are GPTs“

Eloundou, Manning, Mishkin und Rock bewerteten US-amerikanische Berufe hinsichtlich ihrer Übereinstimmung mit den Fähigkeiten großer Sprachmodelle und kombinierten dabei Klassifizierungen durch menschliche Annotierende und GPT-4. Ihre erste Version wurde im März 2023 veröffentlicht; die Studie erschien 2024 in Science. Sie schätzen, dass bei rund 80% der US-amerikanischen Erwerbsbevölkerung mindestens 10% ihrer Arbeitsaufgaben von LLMs betroffen sein könnten und dass bei etwa 19% der Beschäftigten mindestens 50% ihrer Aufgaben betroffen sein könnten. Mit Zugang zu einem LLM könnten etwa 15% aller Arbeitsaufgaben bei gleichbleibender Qualität deutlich schneller erledigt werden; mit auf LLMs basierender Software und entsprechenden Werkzeugen steigt dieser Anteil auf 47–56%. Die prognostizierten Auswirkungen erstrecken sich über alle Lohnniveaus, wobei Arbeitsplätze mit höherem Einkommen potenziell stärker betroffen sein könnten. Die Autoren treffen ausdrücklich keine Vorhersagen zum Zeitrahmen der Entwicklung oder Einführung und argumentieren, dass LLMs die Merkmale von Allzwecktechnologien aufweisen.

Dabei sind zwei Einschränkungen zu beachten. „Betroffen“ bedeutet, dass eine Aufgabe schneller erledigt werden könnte, nicht, dass eine Arbeitskraft ersetzt würde. Außerdem beruht die Klassifizierung teilweise darauf, dass ein Sprachmodell sein eigenes Potenzial beurteilt, was Fragen zur Kalibrierung aufwirft.

Die Analyse der ILO von 2023

Die erste globale Studie der ILO (Gmyrek, Berg und Bescond, August 2023) bewertete die Exposition gegenüber GPT-4 und kam zu dem Schluss, dass die Technologie voraussichtlich überwiegend zur Ergänzung von Berufen und nicht zu ihrer Automatisierung führen würde. Auf Arbeitsplätze mit hohem Automatisierungspotenzial entfielen nur 0.4% der Beschäftigung in Ländern mit niedrigem Einkommen, gegenüber 5.5% in Ländern mit hohem Einkommen. Das Potenzial zur Ergänzung war größer und betraf 10.4% der Beschäftigung in Ländern mit niedrigem Einkommen und 13.4% in Ländern mit hohem Einkommen. Die Auswirkungen waren stark geschlechtsspezifisch: In Ländern mit hohem Einkommen machten Arbeitsplätze mit hohem Automatisierungspotenzial 8.5% der Beschäftigung von Frauen gegenüber 3.9% der Beschäftigung von Männern aus, was vor allem daran lag, dass Bürotätigkeiten eine wichtige Beschäftigungsquelle für Frauen sind.

Der verfeinerte Index der ILO von 2025

Für die Aktualisierung von 2025 (Gmyrek et al.) wurde der Index anhand einer Stichprobe aus 29,753 Aufgaben in der polnischen Berufsklassifikation, einer Befragung von 1,640 Beschäftigten aus allen wichtigen Berufsgruppen mit 52,558 Datenpunkten zu 2,861 Aufgaben sowie Delphi-ähnlichen Runden mit internationalen Fachleuten neu erstellt. Demnach weisen Büroberufe weiterhin die höchste Exposition auf, einige stark digitalisierte akademische und technische Berufe sind stärker betroffen, und weltweit arbeitet jede vierte Person in einem Beruf mit einer gewissen Exposition gegenüber generativer KI. 3.3% der weltweiten Beschäftigung fallen in die höchste Expositionsstufe — 4.7% der Beschäftigung von Frauen gegenüber 2.4% der Beschäftigung von Männern; in Ländern mit hohem Einkommen vergrößert sich die Lücke auf 9.6% gegenüber 3.5%. Insgesamt sind 11% der Beschäftigung in Ländern mit niedrigem Einkommen und 34% in Ländern mit hohem Einkommen betroffen. Die ILO kommt zu dem Schluss, dass die Umgestaltung von Arbeitsplätzen die wahrscheinlichste Auswirkung ist, da die meisten Berufe aus Aufgaben bestehen, die menschliche Arbeit erfordern.

Ergebnisse: Produktivitätsexperimente

Kundenservice

Brynjolfsson, Li und Raymond untersuchen die schrittweise Einführung eines dialogorientierten Assistenten mit generativer KI bei 5,172 Beschäftigten im Kundensupport. Der Zugang zu KI-Unterstützung steigerte die Produktivität, gemessen an der Zahl der pro Stunde gelösten Anliegen, im Durchschnitt um 15%, wobei erhebliche Unterschiede bestanden. Weniger erfahrene und geringer qualifizierte Beschäftigte verbesserten sowohl die Geschwindigkeit als auch die Qualität ihrer Arbeit, während die erfahrensten und höchstqualifizierten Beschäftigten geringe Geschwindigkeitszuwächse und leichte Qualitätsrückgänge verzeichneten. Die KI-Unterstützung schien Beschäftigten beim Lernen zu helfen und verbesserte ihre Englischkenntnisse, insbesondere bei Beschäftigten aus dem Ausland. Die größten Zuwächse gab es bei mäßig seltenen Problemen. Kunden waren höflicher und baten seltener darum, mit einer Führungskraft zu sprechen.

Berufliches Schreiben

Noy und Zhang wiesen 453 Hochschulabsolventen berufsspezifische, vergütete Schreibaufgaben zu und gaben der Hälfte nach dem Zufallsprinzip Zugang zu ChatGPT. Die durchschnittliche Bearbeitungszeit sank um 40% und die Qualität der Ergebnisse stieg um 18%. Die Ungleichheit zwischen den Beschäftigten verringerte sich. Beschäftigte, die im Experiment ChatGPT nutzen konnten, gaben zwei Wochen später doppelt so häufig und zwei Monate später 1.6-mal so häufig an, es in ihrer tatsächlichen Arbeit zu verwenden.

Was die Experimente zeigen – und was nicht

Diese Studien belegen, dass aktuelle Werkzeuge der generativen KI die Produktivität bei klar abgegrenzten Aufgaben erheblich steigern können und dass die Zuwächse bei weniger erfahrenen Beschäftigten tendenziell größer sind — wodurch sich die Unterschiede bei diesen Aufgaben verringern. Sie zeigen nicht, was mit der Beschäftigung geschieht, wenn sich solche Produktivitätszuwächse ausbreiten. Eine höhere Produktivität pro Arbeitskraft kann den Bedarf an Arbeitskräften senken, die Produktion und Nachfrage erhöhen oder Beschäftigte auf neue Aufgaben verlagern; aus den Experimenten lässt sich nicht ablesen, welcher Effekt überwiegen wird.

Ergebnisse: frühe Arbeitsmarktauswirkungen, 2023–2026

Dänemark: schnelle Einführung, bislang keine Auswirkungen auf das Einkommen

Humlum und Vestergaard verknüpfen groß angelegte Befragungen zur Einführung von Chatbots mit dänischen Verwaltungsdaten zum Arbeitsmarkt. Sie dokumentieren „rasante Entwicklungen“: Die meisten Arbeitgeber in betroffenen Berufen hatten Initiativen zum Einsatz von Chatbots eingeführt, Beschäftigte berichteten von Produktivitätsvorteilen, und neue KI-bezogene Aufgaben waren weit verbreitet. Mit Differenz-von-Differenzen-Methoden schätzen sie jedoch präzise Nulleffekte auf Einkommen und erfasste Arbeitsstunden sowohl auf Ebene der Beschäftigten als auch der Arbeitsstätten und schließen damit Effekte von mehr als 2% zwei Jahre nach der Einführung von ChatGPT aus. Verändert hat sich die Arbeitsstruktur: Arbeitgeber integrierten KI durch eine Neuorganisation der Aufgaben, darunter neue Aufgaben in der Inhaltserstellung, der KI-Aufsicht und der KI-Integration.

Vereinigte Staaten: eine wachsende Lücke bei jungen Beschäftigten

Brynjolfsson, Chandar und Chen verwenden hochfrequente Lohnabrechnungsdaten von ADP, die Millionen von US-Arbeitnehmern abdecken. Ihre Studie, die erstmals im August 2025 veröffentlicht und im August 2026 mit Daten bis Juni 2026 überarbeitet wurde, findet keine Belege für eine weitverbreitete, gesamtwirtschaftliche Verdrängung von Arbeitsplätzen. Die Beschäftigung junger Arbeitnehmer im Alter von 22–25 Jahren in KI-exponierten Berufen liegt jedoch inzwischen 19% unter dem Niveau, das sie erreicht hätte, wenn sie mit weniger exponierten Vergleichsgruppen Schritt gehalten hätte; diese Lücke hat sich seit August 2025 stetig vergrößert. Bei erfahrenen Arbeitnehmern zeigt sich keine vergleichbare Lücke. Die Divergenz ist vor allem auf eine geringere Einstellung junger Arbeitnehmer und nicht auf vermehrte Entlassungen zurückzuführen und konzentriert sich auf Berufe, in denen KI hauptsächlich menschliche Aufgaben ersetzt; wo sie Arbeitnehmer hauptsächlich ergänzt, bleibt die Beschäftigung stabil oder nimmt zu. Das Muster bleibt bestehen, wenn Technologieunternehmen und Computerberufe ausgeschlossen und die Anfälligkeit gegenüber Zinsänderungen sowie die Arbeit im Homeoffice berücksichtigt werden. Es schwächt sich ab, wenn Bildung berücksichtigt wird, zeigt bereits vor dem Aufkommen generativer KI einige divergierende Trends und ist in der ADP-Stichprobe stärker ausgeprägt als in nationalen Umfragevergleichswerten. Die Autoren beschreiben diese Befunde als frühe, deskriptive Indikatoren — „Kanarienvögel in der Kohlemine“ — und nicht als kausale Schätzungen.

Makroökonomische Erwartungen

Acemoglus „Die einfache Makroökonomie der KI“ (2025) verwendet ein auf Aufgaben basierendes Modell sowie bestehende Schätzungen zur Exposition und zu Produktivitätszuwächsen auf Aufgabenebene, um die aggregierten Effekte zu schätzen. Er kommt zu dem Ergebnis, dass die makroökonomischen Effekte zwar nicht unerheblich, aber moderat sind — ein Anstieg der totalen Faktorproduktivität um höchstens 0.66% über zehn Jahre — und argumentiert, selbst dieser Wert könne zu hoch sein, da frühe Belege von leicht erlernbaren Aufgaben stammen; daraus ergibt sich eine revidierte Schätzung von weniger als 0.53%. Er argumentiert außerdem, dass KI die Ungleichheit wahrscheinlich nicht so stark erhöhen wird wie frühere Automatisierungstechnologien, dass es jedoch keine Belege dafür gibt, dass sie die Ungleichheit bei den Arbeitseinkommen verringern wird, und dass eine Vergrößerung der Lücke zwischen Kapital- und Arbeitseinkommen vorhergesagt wird.

Belege und Prognosen auseinanderhalten

Was die Belege nicht zeigen

• Es zeigt nicht, dass KI Massenarbeitslosigkeit verursachen wird. Keine der hier ausgewerteten Studien liefert bislang Belege für einen aggregierten Arbeitsplatzabbau durch generative KI, und Schätzungen der Betroffenheit sind keine Schätzungen der Verdrängung.
• Es zeigt nicht, dass KI keine erheblichen Arbeitsplatzverluste verursachen wird. Frühe Ergebnisstudien decken zwei bis drei Jahre nach dem Aufkommen einer Technologie ab, deren Fähigkeiten und Verbreitung sich rasch verändern. Es dauerte Jahrzehnte, bis die Automatisierung der Vergangenheit ihre vollen Auswirkungen zeigte.
• Es zeigt nicht, dass die Automatisierung der Vergangenheit ein verlässlicher Wegweiser ist. Roboterstudien betreffen eine Technologie, die hauptsächlich in der Fertigung eingesetzt wird. Generative KI wirkt sich branchenübergreifend auf kognitive und bürokratische Aufgaben aus, auch auf besser bezahlte Tätigkeiten.
• Es zeigt nicht, dass Produktivitätsgewinne breit verteilt werden. Experimente messen den Output pro Beschäftigtem bei einer Aufgabe, nicht, wer die Gewinne abschöpft.
• Es identifiziert nicht die Ursache der Lücke bei jungen Beschäftigten. Die Lohndaten sind deskriptiv, und der beobachtete Zusammenhang wird durch Kontrollen für Bildungsstand und bereits bestehende Trends teilweise abgeschwächt.
• Es klärt nicht, ob Betroffenheit Ergänzung oder Substitution bedeutet. Die Indizes der ILO und von Eloundou messen, was betroffen sein könnte; dieselbe Betroffenheit kann die Arbeitskräftenachfrage je nachdem, wie Unternehmen die Technologie einsetzen, erhöhen oder senken.

Implikationen für die Gestaltung von Institutionen

1. Monitoring aufbauen, bevor Maßnahmen entwickelt werden. Die nützlichsten neueren Arbeiten verknüpfen Erhebungen zur Einführung von KI mit administrativen Lohn- und Steuerdaten. Regierungen und Statistikämter sollten öffentlich zugängliche, regelmäßig aktualisierte Indikatoren zur Einführung von KI, zu Einstellungen, Einkommen und Veränderungen von Tätigkeiten nach Beruf und Alter erstellen, damit die Politik auf Belege statt auf Prognosen reagieren kann.
2. Einstellungen von Berufsanfängern im Blick behalten. Wenn KI die Einstellung junger Beschäftigter in stark betroffenen Berufen verringert, geraten zuerst jene Institutionen unter Druck, die neue Arbeitskräfte ausbilden und vermitteln: Lehrlingsausbildungen, Traineeprogramme und die unteren Stufen beruflicher Laufbahnen. Auch Roboterstudien in Deutschland ergaben, dass die Last auf jungen Berufseinsteigern lag.
3. Einkommensstützung vorbereiten, die sich entsprechend der Evidenz ausweiten lässt. Die an anderer Stelle im Atlas ausgewerteten Befunde zu Geldtransfers legen nahe, dass bedingungslose Zahlungen nur geringe Auswirkungen auf das Arbeitsangebot haben. Versicherungsähnliche Mechanismen, die sich automatisch ausweiten, wenn die gemessene Verdrängung zunimmt, wären besser zu rechtfertigen als entweder verfrühte allgemeine Programme oder gar kein Plan.
4. Die Aufteilung zwischen Kapital und Arbeit als Gestaltungsfrage behandeln. Wenn KI die Kluft zwischen Kapital- und Arbeitseinkommen vergrößert, wie Acemoglu prognostiziert, werden Debatten über öffentliche Vermögensfonds, Gewinnbeteiligung oder „KI-Dividenden“ zu Fragen des Eigentums und nicht nur der Leistungen.
5. Ergänzung fördern, nicht nur den Umgang mit Verdrängung. Die Experimente zeigen, dass KI-Werkzeuge die Produktivität weniger erfahrener Beschäftigter steigern können. Ausbildung, Beschaffung und Konsultationen am Arbeitsplatz können den Einsatz so lenken, dass er Beschäftigte ergänzt – einer der wenigen verfügbaren Hebel, bevor die Ergebnisse bekannt sind.
6. Prognosen als Prognosen kennzeichnen. Die öffentliche Debatte würde von der in dieser Studie angewandten Disziplin profitieren: klar zu trennen, was gemessen, was modelliert und was prognostiziert wurde, jeweils mit Datum und Quelle.

Offene Fragen

• Wird die Beschäftigungslücke bei jungen Beschäftigten in KI-exponierten Berufen bestehen bleiben, größer werden oder sich schließen, und ist KI ihre Hauptursache?
• Wie schnell werden Veränderungen der Aufgabenverteilung innerhalb von Unternehmen – etwa neue Aufgaben in der KI-Aufsicht und -Integration – zu Veränderungen bei Löhnen und Berufsstrukturen führen?
• Wird generative KI dem Muster früherer Automatisierung folgen, mit lokalen und verteilungsbezogenen Auswirkungen, aber stabiler Gesamtbeschäftigung, oder wird ihre branchenübergreifende Reichweite größere aggregierte Auswirkungen haben?
• Wie wird sich die geschlechtsspezifische Betroffenheit durch Büroarbeit auf die Beschäftigung von Frauen auswirken, insbesondere in Ländern mit hohem Einkommen?
• Welcher Anteil der KI-getriebenen Produktivitätsgewinne wird den Beschäftigten, den Verbrauchern und den Kapitaleigentümern zugutekommen?

Quellen

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Arbeitspapier der Oxford Martin School. PDF; veröffentlicht in Technological Forecasting and Social Change 114 (2017): 254–280, doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. OECD Social, Employment and Migration Working Papers 202. doi:10.1787/2e2f4eea-en
8. 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
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998; Arbeitspapier arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025, überarbeitet 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042