Belege dafür, dass KI die Jobs junger Menschen zerstört

• Eine kürzlich von Stanford-Forschenden veröffentlichte Studie zeigt, dass die Beschäftigung von 22- bis 25-jährigen jungen Erwerbstätigen in Berufen mit hoher KI-Exposition um etwa 13 % zurückgegangen ist
• Die Studie basiert auf ADP-Payroll-Daten und kontrolliert in der Analyse verschiedene Hypothesen und Einflussfaktoren wie Corona, Remote-Arbeit und Konjunktur
• Ein deutlicher Rückgang der Jugendbeschäftigung zeigte sich nur in Berufen mit starkem Automatisierungseinfluss durch KI, etwa Softwareentwicklung und Kundenservice
• In Tätigkeiten, in denen KI vor allem eine augmentierende Rolle spielt (unterstützend/ergänzend), ist der Rückgang der Jugendbeschäftigung dagegen nicht klar ausgeprägt
• Dies wird als starker empirischer Beleg dafür gewertet, dass KI bereits jetzt strukturelle Veränderungen auf dem Arbeitsmarkt für junge Menschen verursacht

---

Aktuelle Forschung zur sinkenden Jugendbeschäftigung in den USA und zum Einfluss von KI

Hintergrund der Debatte

• Zur Lage der US-Wirtschaft und zum Einfluss von KI gibt es anhaltend unterschiedliche Debatten
• Auf die Frage „Nimmt KI jungen Menschen bereits die Arbeitsplätze weg?“ gibt es drei zentrale Positionen
  • Möglich: Zunächst wurde analysiert, dass die schwächere Beschäftigung jüngster Absolventinnen und Absolventen schlicht ein Effekt von KI sein könnte
  • Ganz eindeutig: Große Medien wie die New York Times und Axios behaupten, KI nehme Berufseinsteigerinnen und Berufseinsteigern die Jobs weg; der CEO von Anthropic prognostiziert, dass innerhalb der nächsten fünf Jahre die Hälfte der Einstiegsjobs für White-Collar-Beschäftigte verschwinden könnte
  • Eher nicht: Wirtschaftsanalysten veröffentlichten Daten, wonach die Beschäftigungseffekte von KI nicht klar erkennbar seien, und berichten, dass der Nettoeffekt von KI auf die Belegschaft in den meisten Unternehmen nahezu null sei

Stanford-Studie und empirische Befunde

• Ein Stanford-Forschungsteam beobachtete mithilfe von Millionen ADP-Payroll-Datensätzen Beschäftigungstrends bis Mitte 2025
• Es stellte fest, dass die Beschäftigung von 22- bis 25-Jährigen in Berufen mit sehr hoher KI-Exposition (z. B. Softwareentwickler, Kundenservice) seit der Einführung von ChatGPT um 13 % gesunken ist
• Dagegen blieb die Beschäftigung in Berufen mit geringer Exposition (z. B. Home-Healthcare) sowie bei älteren Altersgruppen stabil oder nahm sogar zu
• Zusätzlich wurden verschiedene exogene Faktoren wie Corona, Remote-Arbeit und geringes Wachstum kontrolliert, ohne dass sich die Ergebnisse wesentlich änderten
• Es handelt sich nicht um ein Kausalexperiment, sondern um eine beobachtende Analyse. Dennoch zeigt sich der Rückgang der Jugendbeschäftigung in hoch exponierten Tätigkeiten klar

Analyse von Diagrammen und Beispielen

• Grafik 1: Zeigt einen deutlichen Rückgang bei Neueinstellungen junger Softwareingenieurinnen und -ingenieure sowie im Kundenservice
  • Während die Beschäftigung älterer Gruppen stabil bleibt oder steigt, gibt es im selben Berufsfeld einen starken Einbruch nur bei jungen Menschen
• Grafik 2: In Tätigkeiten mit sehr geringer KI-Exposition wie Home-Healthcare steigt die Beschäftigung junger Menschen schnell an
  • Das deutet darauf hin, dass der durch KI verursachte Rückgang der Jugendbeschäftigung auf bestimmte Tätigkeiten begrenzt ist
• Auch in Berufen mit mittlerer KI-Exposition wie Marketing ging die Beschäftigung junger Menschen deutlich zurück

Warum unterscheidet sich diese Studie von früheren Untersuchungen?

• Frühere Studien (z. B. CPS) hatten wegen kleiner Stichproben Grenzen bei der Analyse fein segmentierter Gruppen wie der 22- bis 25-Jährigen
• Dank der ADP-Daten sind nun auch für detaillierte Untergruppen nach Alter und Beruf verlässliche Schätzungen möglich

Unterschied zwischen Automatisierungs- und Augmentierungseffekten von KI

• Es wird getrennt analysiert, ob KI menschliche Arbeit in einem Beruf automatisierend ersetzt oder menschliche Arbeit augmentiert und ergänzt
  • Berufe mit starken Automatisierungsmerkmalen (Softwareingenieurwesen, Wirtschaftsprüfung usw.): Die Jugendbeschäftigung geht deutlich zurück
  • Berufe mit starken augmentierenden Merkmalen (Rollen mit hoher Komplexität oder strategischen Anforderungen): Kein klarer Rückgang der Jugendbeschäftigung
• Unter Einbezug externer Indikatoren wie des Anthropic Economic Index werden die KI-Eigenschaften einzelner Tätigkeiten klassifiziert und analysiert
• Grafiken 6 und 7: In leicht automatisierbaren Berufen sinkt die Beschäftigung junger Menschen deutlich, während sie in augmentierenden Berufen eher steigt

Unterschiede bei den Beschäftigungseffekten zwischen Abteilungen im selben Unternehmen

• Selbst innerhalb desselben Unternehmens zeigen stark automatisierbare und hoch exponierte Abteilungen wie Recht oder Buchhaltung einen Rückgang der Jugendbeschäftigung, während andere Abteilungen durch augmentierende Effekte stabil bleiben oder wachsen
• Unabhängig von konjunkturellen Faktoren auf Unternehmensebene wie Zinsen bestehen deutliche Unterschiede je nach Expositionsgrad der Tätigkeit

Ersetzbarkeit durch KI und Eigenschaften der Arbeitskräfte

• LLMs (Large Language Models) lernen besonders gut auf Basis dokumentierten und standardisierten Wissens. Das überschneidet sich stark mit dem formalen Wissen, das junge Menschen erwerben
• Mit dem impliziten Wissen älterer und erfahrener Arbeitskräfte – also feinem Know-how, das man nur in der Praxis lernt – gibt es dagegen weniger Überschneidung
• Kurzfristige, repetitive Aufgaben, die sich leicht bewerten lassen, sind einfacher durch KI ersetzbar. Komplexe langfristige Strategiearbeit ist schwerer durch KI zu ersetzen

Wie Hochschulbildung reagieren sollte

• Die Fähigkeit, KI aktiv als Werkzeug zu nutzen, wird immer wichtiger
  • Überraschenderweise sind Senior-Entwickler oft geübter im Umgang mit KI. Daraus ergibt sich die Notwendigkeit, Hochschulcurricula anzupassen
• Die Grenzen von LLMs (physische Arbeit, menschliche Interaktion usw.) sowie die Bedeutung neuer beruflicher Kompetenzen treten stärker hervor

Fazit und Ausblick

• Statt nur über die künftigen Chancen oder Risiken von KI zu diskutieren, sollte man anerkennen, dass KI bereits heute reale Auswirkungen auf die Wirtschaft und den Arbeitsmarkt für junge Menschen hat
• Es wird die Notwendigkeit von Echtzeitdaten und wiederholter Überprüfung in der Beziehung zwischen Jugendbeschäftigung und KI betont
• Die Botschaft lautet: Wichtiger als Zukunftsprognosen ist eine präzise Diagnose der aktuellen Lage

[kimjoin2]

Alle technologischen Fortschritte vernichten bestehende Arbeitsplätze, aber nur AI zieht gerade besonders gut Aufmerksamkeit auf sich.

[GN⁺]

Hacker-News-Kommentare

• Ich frage mich, warum der Rückgang bei Einstellungen in NLP-zentrierten Berufen wie Customer Service Rep bereits seit Januar 2023 zu sehen ist. Soweit ich weiß, haben die meisten Großunternehmen ihre LLM/NLP-Piloten erst in der zweiten Hälfte von 2023 gestartet. Dass die Einstellungen also mehr als ein Jahr vor der tatsächlichen Einführung der Technik zurückgehen, erscheint mir schwer erklärbar. Der Rückgang bei SWE-Einstellungen begann schon Mitte 2022 und fiel fast genau mit den Zinserhöhungen zusammen. LLMs und Copilot wurden erst ein Jahr später massentauglich. Das Paper sagt zwar, dass es das Ende von ZIRP berücksichtigt habe, aber ich weiß nicht, ob diese Korrektur ausreichend ist. Auch in informellen Umfragen in meinem Umfeld begann die ernsthafte Einführung von LLM Copilot erst Ende 2023 bis Mitte 2024. Zu diesem Zeitpunkt war die Verbreitung noch längst nicht so groß.

  • Der Rückgang bei SWE-Einstellungen liegt an der Steuerrechtsänderung von 2017. Ein Teil der Steuergutschriften für Forschung und Entwicklung (R&D) fiel ab 2022 weg, wodurch die Personalkosten für R&D-Rollen wie Ingenieure und Wissenschaftler stark stiegen. Großunternehmen mit hohem R&D-Anteil waren davon am schnellsten betroffen. Der Rückgang bei Customer-Service-Einstellungen dagegen liegt daran, dass Unternehmen sich schlicht nicht um Kundenservice kümmern. Seit Jahrzehnten gibt es automatisierte Telefonsysteme, ausgelagerte Callcenter, schlecht gemachte Websites und allgemein schlechte Servicequalität. Wenn man Investoren dann sagt: „Wir führen AI ein und bauen noch mehr Stellen ab“, kommt das sogar gut an. Weder Markt noch Regulierung stoppen das, daher gibt es nicht einmal Hoffnung, dass absichtlich ruinierter Service wieder verbessert wird.

  • Ich arbeite in der Beratung, und rund um November 2022 kippte die Stimmung dramatisch. Zuvor musste ich unzählige potenzielle Kunden bewältigen, dann brach die Nachfrage plötzlich komplett weg. Meine Kunden sind ebenfalls Startups oder mittelgroße Unternehmen, also keine Orte mit Insiderwissen oder hochaktuellen Trends. Ich habe nie gesehen, dass irgendjemand darüber sprach, mit GPT Personalkosten zu senken. Gefühlt waren das Ende von ZIRP und der Beginn der Entlassungen der Hauptgrund, weil Projekte plötzlich sofort besetzt waren.

  • Ich sehe das ähnlich wie der Verfasser. Schon bevor LLMs und AI ernsthaft diskutiert wurden, gab es klare Signale einer Schwäche am Arbeitsmarkt. Ich denke, die Hauptursache der Einstellungsflaute sind nicht LLMs, sondern nur eine Korrelation. Grundsätzlicher entstehen derzeit nicht nur in den USA, sondern weltweit Risse in der Wirtschaftsstruktur, weshalb sich die Jugendarbeitslosigkeit ausbreitet. Die Ursachen sind ein komplexes Gemisch aus Nebenwirkungen von Geld- und Fiskalpolitik, Vermögensungleichheit, Zöllen, Geopolitik und weiteren Faktoren.

  • Das Paper erwähnt zwar eine Korrektur für die Effekte des ZIRP-Endes, aber ich bezweifle, wie ausreichend diese ist. Im Paper (Equation 4.1, S.15) werden individuelle Effekte nach Unternehmen, AI-Expositionsgrad und Zeitraum getrennt (log(y_{c,q,t}) ~ a_{c,q} + b_{c,t} + g_{q,t}). Effekte über die gesamte Zeitreihe hinweg wie ZIRP oder Section 174 sollten in b aufgehen. g wurde auf Oktober 2022 und Expositionsgrad 1 normiert, und in Figure 9 (S.20) gibt es Grafiken nach Altersgruppe und Expositionsgrad. Nur junge Gruppen mit Expositionsgrad 3, 4 und 5 fallen ab Mitte 2024. Die Grafik im Artikel und Figure 9 im Paper vermitteln einen anderen Eindruck, und ich halte den ZIRP-Effekt für sehr groß. Allerdings kann die aktuelle Methode nicht direkt in b korrigieren, dass juniorige, stark AI-exponierte Berufe wie SWE unmittelbar von Section 174 getroffen wurden, sodass dies in g landet und faktisch als AI-Effekt missverstanden werden könnte. Eine Neuanalyse ohne Berufe wie SWE, die unter Section 174 fallen, wäre wohl sinnvoll, Originalpaper

  • Auch unser Unternehmen hat 2023 das Outsourcing deutlich ausgeweitet. AI-Projekte wurden ebenfalls gestartet, aber die Ergebnisse waren mager, während das Outsourcing sehr schnell voranging.

• Ich habe ein einfaches Modell gebaut: Wenn bis 2021 in allen Gruppen (Altersklassen) die Einstellungen leicht steigen und danach allmählich zurückgehen, entsteht ein Muster, das der Grafik des Papers ähnelt. Der Grund ist, dass die um den Peak herum massenhaft eingestellten Ingenieure entlang der Altersgruppen weiterwandern. Wenn das Paper die Grafik auf Basis von 2022 normalisiert, wird verborgen, dass sich die tatsächlichen Einstellungsanteile kaum verändert haben, Google-Spreadsheet geteilt

  • Interessantes Ergebnis. Tatsächlich kann es selbst dann, wenn in allen Altersgruppen gleich viel eingestellt wird, wegen der Datenstruktur — etwa weil junge Gruppen mit der Zeit in höhere Altersklassen aufrücken — fälschlich so aussehen, als würden nur junge Menschen besonders stark Jobs verlieren.

  • Etwas verwirrend. Im Erklärungsmodell erreichen die Altersgruppen 20–24 und 25–29 jeweils in unterschiedlichen Jahren ihren Höhepunkt (2022 vs. 2024). Wenn die Struktur identisch ist, hätte ich erwartet, dass Auf- und Abstieg sowie Peak bei allen zum gleichen Zeitpunkt eintreten. Ich frage mich, ob das normal ist.

• Der Rückgang bei Junior-Einstellungen ist eine „Tragödie der Allmende“. Er begann schon in der Corona-Zeit vor dem AI-Boom und ist kein rein US-amerikanisches Phänomen. Durch ZIRP stellten Unternehmen endlos ein, und weil sie sich gegenseitig Talente abwarben, wurden sogar Praktikanten mit nur zwei Jahren Erfahrung schon wie Seniors behandelt. Bekannte von mir bekamen sogar nach einem Bootcamp schon Gehalt. Am Ende wechselten die eingestellten Juniors schnell als Seniors zu anderen Firmen, und deshalb wurden Unternehmen zurückhaltend bei Junior-Einstellungen.

  • Die überhitzte Stimmung rund um AI saugt Kapital aus traditionellen Einstellungen ab.

• Was wir heute „AI“ nennen, ist keine Technologie mehr, sondern ein Abo-Service. Technologie stärkt meine Fähigkeiten, indem sie in die Toolchain eingebunden wird, aber ein Abo-Anbieter übernimmt nur so lange die kognitive Last, wie ich die Gebühr zahle. Wenn der CEO von Anthropic sagt, White-Collar-Jobs würden verschwinden, ist das aus Sicht eines Verkäufers von AI-Abos für Unternehmen eine Marketingaussage, dass Firmen zwangsläufig Käufer werden.

  • AI wird bald die Phase der Commoditization erreichen. Open-Source-Modelle liegen gegenüber privaten/proprietären Modellen nur eine Generation zurück und sind für fast alle Nutzer bereits gut genug. Weil alles auf natürlicher Sprache basiert, lässt sich das LLM eines beliebigen Unternehmens leicht austauschen. Firmen, die außer AI-Hosting noch andere Services verkaufen wollen, könnten stark enttäuscht werden. Nur Vendor Lock-in kann Commoditization verhindern, aber technisch wirkt das nicht leicht umsetzbar.

• Wirtschaftsdaten von 2020 bis 2025 sind bedeutungslos und sollten verworfen werden. Wir leben in einer Zeit voller Variablen wie Pandemie, starke Inflation, Zinsunsicherheit und Zolleffekte, sodass sich der Einfluss von AI derzeit gar nicht bestimmen lässt. Erst wenn die nächste Rezession vorbei ist und sich die Variablen wieder beruhigt haben, wird man den tatsächlichen Einfluss von AI auf Beschäftigung bewerten können.

  • Und die 20 Jahre davor sind wegen der globalen Immobilienkrise und der Staatsschuldenkrise ebenfalls Schrottdaten. Die 20 Jahre davor waren voller Sondereffekte wie Dotcom-Blase und 9/11. Wirtschaftsdaten enthalten immer Rauschen, und sterile Experimente sind in diesem Fach unmöglich. Deshalb nennt man es wohl auch eine bittere Wissenschaft. Trotzdem halte ich die Daten keineswegs für nutzlos.

• Es kann viele nicht erklärte Ursachen geben. In Zeiten der Unsicherheit stellt man niemanden ein, der nicht unbedingt nötig ist. Junior- oder Callcenter-Einstellungen kann man leicht aufschieben, aber bei unverzichtbaren Tätigkeiten wie Pflege hat man keine Wahl. Zölle sind derzeit die größte Geschäftsunsicherheit, und auch Zinsunsicherheit ist erheblich.

• Ich selbst begann 2004 in Australien direkt nach den Nachwirkungen der Dotcom-Blase zu studieren. Damals gab es wenige CS-Bewerber, und wegen der Jobangst liefen die Leute davon. Dadurch entstand ein massiver Mangel an Berufseinsteigern, und Unternehmen begannen etwa ab 2004 wieder stärker einzustellen. Ich selbst fand nach dem Abschluss 2008 sofort einen Job und musste mir danach nie wieder Sorgen um Arbeit machen. Mein Rat an Schüler im Jahr 2025: Genau jetzt ist der perfekte Zeitpunkt, sich für CS zu bewerben. In fünf Jahren wird sich die AI-Überhitzung gelegt haben, und es wird an Berufseinsteigern fehlen.

  • Mich würde interessieren, worauf du diese Einschätzung stützt. Bist du dir wirklich sicher, dass AI nur Hype ist?

  • alternative view: Diesmal könnte der AI-Hype Substanz haben, AI könnte tatsächlich Jobs ersetzen, und in fünf Jahren könnten alle arbeitslos sein. Andererseits könnte in fünf Jahren auch der große Ruhestand der Babyboomer und die erste Welle der GenX-Renteneintritte einsetzen, sodass der Arbeitsmarkt in den meisten Bereichen wieder weit offen ist.

  • Diesmal könnte es anders sein. Wir leben heute in einer Zeit, in der sich Software durch Orchestrierung von LLMs und Agents entwickeln lässt. Die Rolle des Software Engineers schrumpft auf Qualitätskontrolle, Compliance, Softwarearchitektur und das Behandeln von Sonderfällen, in denen LLMs versagen. Aber selbst das könnte durch weiteren AI-Fortschritt gelöst werden. Am Ende wird es wohl immer weniger Arbeit geben, die mit den Fähigkeiten eines CS-Absolventen erledigt werden kann. Wichtiger wird künftig, Kundenbedürfnisse abstrakt zu entwerfen, sie an AI zur Beurteilung und Umsetzung weiterzugeben und die Ergebnisse von AI so zu bewerten, wie man ein Kunstwerk betrachtet.

• Trends brauchen Zeit. Nachdem „AI“ einmal alles durcheinandergewirbelt hat, stellt sich oft erst später heraus, ob AI überhaupt wirklich „Intelligence“ ist. Wenn HR von oben nur die Anweisung bekommt, AI einzuführen, kann es auf fragwürdiger Grundlage innerhalb weniger Monate Massenentlassungen geben, während Wiedereinstellungen langsam erfolgen. LLMs sind nützlich, aber kein Werkzeug für Massenentlassungen. Aus Sicht des Managements ist Kosteneffizienz verlockend, aber in der Realität wird AI nicht sofort in dem Maß zu I, wie man erwartet. Aus meiner Erfahrung ist ein LLM weniger ein revolutionäres Werkzeug als vielmehr ein hervorragender Rechenschieber. Mein Rechenschieber funktioniert immer, auch ohne Internet oder Strom; ein LLM tut das nicht.

• Bei Einstellungen junger Menschen wirken neben Wissen und Können viele weitere Faktoren. Auch innerhalb der IT gibt es viel eher Blue-Collar-artige einfache Arbeit, und diese wird meist von ausgelagerten oder vertraglich gebundenen Kräften übernommen, oft jungen Leuten. Typische Beispiele sind IT-Support, Wartung und andere repetitive Aufgaben, die vielfach außerhalb des Westens erledigt werden. AI scheint diesen Bereich kurzfristig nicht zu ersetzen. Manche einfachen Aufgaben werden jungen Leuten auch übertragen, um Verantwortung und Risiko zu streuen. Ich glaube nicht, dass AI Verantwortung so tragen kann wie Menschen. Junge Menschen wurden wegen Schnelligkeit, Flexibilität, hoher Belastbarkeit und niedriger Löhne bevorzugt und hatten meist auch weniger Probleme mit Überstunden. Meiner Erfahrung nach war auch die Teamarbeit bei Jüngeren besser. Wenn man das aktuelle Phänomen nur unter dem Gesichtspunkt von Kompetenz deutet, verfehlt man das Gesamtbild.

• Software Engineering befindet sich seit 2022 in einer Korrekturphase, und AI ist nur ein Vorwand für Massenentlassungen. Zuck spricht seit Jahren vom „Jahr der Effizienz“.