- Die aktuellen Daten zeigen keinen massiven Beschäftigungsrückgang in Berufen mit hoher AI-Exposition, aber AI könnte teilweise zur schwachen Einstellungslage bei Hochschulabsolventen und jungen Angestellten beigetragen haben
- Seit 2022 ist die Arbeitslosenquote in den obersten 20 % der Berufsgruppen nach AI-Exposition um 0,77 Prozentpunkte gestiegen, in den untersten 20 % um 0,85 Prozentpunkte; das spricht eher für eine allgemeine Abkühlung des Arbeitsmarkts als für AI-bedingte Jobverluste
- Generative AI hat die Arbeit in Kundenservice, Coding, Schreiben und juristischen Tätigkeiten meist beschleunigt, doch die Wirkung unterschied sich je nach Aufgabe und Qualifikationsniveau; zugleich traten Ungenauigkeiten, falsche Ratschläge und eine Vereinheitlichung von Kreativität auf
- Die AI-Einführungsrate in Unternehmen liegt je nach Umfrage zwischen rund 20 % und über 80 % und ist schnell gestiegen, doch die meisten bleiben bei einzelnen Funktionen in der Experimentier- oder Pilotphase, sodass die Auswirkungen auf Beschäftigung bislang gering sind
- Auf Basis früher Evidenz lässt sich der langfristige Beschäftigungseffekt von AI nicht abschließend bestimmen; Einführungsgeschwindigkeit und Dauer organisatorischer Umstellungen bestimmen das Ausmaß des Arbeitsmarktschocks und den Spielraum für politische Reaktionen
Für massive AI-bedingte Jobverluste gibt es bislang zu wenig Belege
- Die Sorge wächst, dass AI den Arbeitsmarkt für Angestellte in naher Zukunft stark erschüttern wird; Anthropic-CEO Dario Amodei prognostizierte, AI könne die Hälfte der Büroarbeitsplätze eliminieren und die Arbeitslosenquote auf 20 % steigen lassen
- In den derzeit aggregierten Daten gibt es kaum Belege dafür, dass AI bereits schwere Arbeitsplatzverluste verursacht hat
- Seit 2022 ist die Arbeitslosenquote in den obersten 20 % der Berufsgruppen nach AI-Exposition um 0,77 Prozentpunkte gestiegen, in den untersten 20 % nach Exposition um 0,85 Prozentpunkte
- Das deutet eher auf eine Schwächung des gesamten Arbeitsmarkts hin als auf einen Schock nur in AI-exponierten Berufen
- Auch die Beschäftigungstrends in Berufen mit hoher AI-Exposition sind relativ stabil
- Das Beschäftigungswachstum in Berufen mit hohem Coding-Anteil hat sich verlangsamt, ist aber weiterhin positiv
- Es gibt keine Belege dafür, dass AI-Einführung die Stellenausschreibungen von Unternehmen reduziert hat
- Stellenausschreibungen für Softwareentwickler sind im vergangenen Jahr schneller gestiegen als in anderen Berufen
- Die Beschäftigung in Unternehmen, die Enterprise-AI eingeführt haben, stieg in den folgenden zwei Jahren um 10 %; getrieben wurde das Wachstum von den Unternehmen mit den höchsten AI-Ausgaben pro Mitarbeiter
- Auch Entlassungsankündigungen, die AI als Grund nennen, haben tatsächlich unterschiedliche Ursachen
- Einige begrenzte Stellenstreichungen könnten mit AI-Automatisierung zusammenhängen
- Andere Kürzungen scheinen darauf zurückzugehen, Mittel für AI-Investitionen freizusetzen oder Überbesetzungen aus der Pandemiezeit zu korrigieren
- HR-Verantwortliche sehen den Einfluss von AI stärker in der Zusammenlegung von Rollen und im Verzicht auf Neueinstellungen für automatisierbare Aufgaben als in direkten Entlassungen
- Belastungen einzelner Gruppen, die in aggregierten Statistiken nicht sichtbar werden, können existieren; insbesondere bei der Nachfrage nach jungen Angestellten zeigen sich negative Signale
Rückgang bei Neueinstellungen von Absolventen und der Zusammenhang mit AI
- Die Arbeitslosenquote neuer Hochschulabsolventen stieg Anfang 2026 auf 5,6 % und lag damit 1,6 Prozentpunkte höher als drei Jahre zuvor
- Einstiegsrollen enthalten viele Aufgaben wie routinemäßige Recherche, Analyse und Schreiben, die AI zu einem erheblichen Teil übernehmen kann; dadurch kann die Nachfrage nach Neueinstellungen schwächer werden
- Eine Studie von Brynjolfsson, Chandar und Chen zeigt, dass nach der Veröffentlichung von ChatGPT im Jahr 2022 die Beschäftigung von Berufseinsteigern in AI-exponierten Berufen wie Softwareentwicklung und Kundenservice deutlich zurückging
- Die Beschäftigung älterer Arbeitnehmer in denselben Berufen blieb relativ stabil oder stieg weiter
- Die Forscher verglichen junge Arbeitnehmer mit „Kanarienvögeln im Kohlebergwerk“, die Arbeitsmarktschocks durch AI zuerst erleben
- Auch Folgestudien in den USA und Großbritannien fanden seit 2022 ähnliche negative Effekte auf die Einstellung junger AI-exponierter Arbeitnehmer
- Allerdings lässt sich der Zeitpunkt des Rückgangs nur schwer allein mit AI erklären
- Die Fähigkeiten der AI-Modelle waren 2022 noch sehr begrenzt
- Die US-Notenbank erhöhte ab März 2022, also Monate vor der Veröffentlichung von ChatGPT, aggressiv die Zinsen, um die Inflation zu bekämpfen
- Beide Studien analysieren, dass der Rückgang der Einstellungen in AI-exponierten Berufen nach der geldpolitischen Wende und vor der Veröffentlichung von ChatGPT begann
- Überbesetzungen während der Pandemie und die Ausweitung von Remote Work könnten ebenfalls eine Rolle gespielt haben
- Remote Work kann Lernen vor Ort verlangsamen und damit den Wert der Einstellung junger Arbeitnehmer verringern; nach der Pandemie begann sich die Einstellung in remote-freundlichen Berufen stärker auf erfahrene Kräfte zu verlagern
- Zusätzliche Analysen, die Störfaktoren kontrollieren, zeigen, dass der Beschäftigungsrückgang bei Einstiegsarbeitskräften ab 2024 besonders deutlich wird
- Beim Rückgang rund um 2022 könnten Faktoren außerhalb von AI eine Rolle gespielt haben
- 2024 hatten AI-Einführung und Modellfähigkeiten deutlich zugelegt, was einen direkten AI-Einfluss plausibler macht
- Klar ist, dass die Einstellung in AI-exponierten Einstiegsberufen um 2022 stark zurückging; die kausale Wirkung von AI von makroökonomischen Schocks zu trennen, ist aber noch nicht gelöst
Produktivität stieg meist, aber die Wirkung ist ungleichmäßig
- In Experimenten steigerten Chatbots und Coding-Tools häufig die Arbeitsleistung von Arbeitnehmern mit weniger Erfahrung und schwächerer Performance relativ stark
- Ein generativer AI-Assistent in einem großen Callcenter erhöhte die Gesamtproduktivität um 15 %
- Anfänger und weniger qualifizierte Agenten lösten pro Stunde 30 % mehr Fälle
- Bei hochqualifizierten Agenten gab es keine Leistungsverbesserung, und die Antwortqualität sank leicht
- In einem GitHub-Copilot-Experiment wurden Softwareentwicklungsaufgaben um 56 % schneller erledigt; die Verbesserung konzentrierte sich auf weniger erfahrene Entwickler
- In separaten Feldexperimenten in Unternehmen lag der Effekt auf die Entwicklungsproduktivität je nach Firma bei 10 bis 30 %
- ChatGPT verkürzte die Schreibzeit für alle Qualifikationsgruppen und verbesserte auch die Qualität der Ergebnisse von Arbeitnehmern mit schwächeren Schreibfähigkeiten
- Geschwindigkeitsgewinne wurden auch bei juristischen Tätigkeiten wie Vertragsentwürfen junger Anwälte sowie bei der Erstellung medizinischer Dokumentation beobachtet
- Die Wirkung medizinischer AI-Dokumentationstools war gering, und wegen gelegentlicher Ungenauigkeiten war ärztliche Aufsicht erforderlich
- Die Studien unterscheiden sich in Aufgabentyp und Dauer, und einige sind keine randomisierten Experimente; daher lassen sich Effektgrößen nur schwer direkt vergleichen
Fähigkeiten und Bewertungskosten unterscheiden sich je nach Aufgabe
- Die AI-Leistung zeigt je nach Anwendungsaufgabe eine stark positive oder negative zerklüftete Grenze (jagged frontier)
- Am Arbeitsplatz müssen Beschäftigte entscheiden, wann und wie sie AI einsetzen, und beurteilen, ob die Ergebnisse nützlich sind oder weitere Überarbeitung benötigen
- In einem Experiment mit Unternehmern in Kenia erzielten geringqualifizierte Unternehmer, die AI nutzten, niedrigere Umsätze und Gewinne als eine Gruppe, die ihr Geschäft ohne AI ausbaute
- Geringqualifizierte Personen setzten eher allgemeine AI-Ratschläge um, die nicht zu ihrer Situation passten
- Erfolgreichere Unternehmer extrahierten Vorschläge, die besser zu ihren geschäftlichen Anforderungen passten
- AI kann die Qualität individueller Ergebnisse erhöhen und zugleich die Ideenvielfalt einer Gruppe verringern
- Beim kreativen Schreiben verbesserte sich die Qualität der Geschichten geringqualifizierter Personen, doch mit AI erstellte Geschichten ähnelten einander deutlich stärker als von Menschen geschriebene Geschichten
- Wissenschaftler, die AI-Tools einführten, veröffentlichten mehr Papers, aber die Gesamtzahl der erforschten Themen und der Austausch zwischen Wissenschaftlern nahmen ab
Warum Verbesserungen einzelner Aufgaben nicht automatisch zur Produktivität der Gesamtwirtschaft werden
- Der Anteil der Aufgaben, die AI profitabel verkürzen kann, könnte in der Gesamtwirtschaft noch gering sein
- Engpässe in Prozessen, die AI nicht unterstützen kann, können Produktivitätsgewinne insgesamt begrenzen
- Wenn Unternehmen neue Technologien einführen, müssen sie Arbeitsfunktionen neu organisieren und ergänzende Investitionen tätigen; die gemessene Produktivität kann anfangs sogar sinken
- Die in Experimenten beobachteten Effekte beziehen sich meist auf bestimmte Aufgaben und kurze Zeiträume und entsprechen daher nicht den langfristigen Produktivitätseffekten der Gesamtwirtschaft
- AI könnte die Produktivität letztlich erhöhen, doch beim aktuellen Einführungstempo in Unternehmen ist das in der Gesamtproduktivitätsstatistik möglicherweise noch nicht sichtbar
Schnelle, aber ungleichmäßige Einführung in Unternehmen
- Ob sich die AI-Transformation über 3 oder über 20 Jahre vollzieht, verändert die politischen Fragen erheblich
- Eine abrupte Umstellung kann viele Arbeitnehmer gleichzeitig verdrängen
- Eine langsamere Umstellung gibt Arbeitnehmern und politischen Entscheidungsträgern Zeit zur Anpassung
- Unternehmensumfragen sehen durchweg einen schnellen Anstieg der AI-Nutzung, doch die Schätzungen der Einführungsrate unterscheiden sich stark
- Die national repräsentative BTOS-Umfrage des US Census Bureau schätzt, dass rund 20 % der Unternehmen AI nutzen
- In einer Umfrage unter US-Führungskräften nutzen mehr als 80 % der Beschäftigten AI bei der Arbeit
- Mehr als 50 % der Ramp-Kunden geben Geld für AI-Tools oder -Anbieter aus
- In einer national repräsentativen Haushaltsbefragung geben mehr als 40 % der beschäftigten Befragten an, AI am Arbeitsplatz zu nutzen
- Die Unterschiede der Zahlen ergeben sich aus Erhebungsmethoden und Stichprobenzusammensetzung
- Da große Unternehmen eine höhere AI-Einführungsrate haben, liegt der nach Beschäftigtenzahl gewichtete Anteil höher als ein einfacher Anteil nach Unternehmenszahl
- Die Ramp-Stichprobe ist nicht repräsentativ für alle Unternehmen und ist auf Technologieunternehmen mit hoher AI-Einführung verzerrt
- Eine Studie der Federal Reserve sieht Gründe, die niedrigere Schätzung des Census Bureau mit nationaler Stichprobe zu bevorzugen, und argumentiert, dass eine Gewichtung nach Beschäftigung die Unterschiede zwischen Umfragen deutlich verringert
- AI-Einführung konzentriert sich auf Technologieunternehmen und informationsintensive Branchen wie Finanzdienstleistungen
- Die häufigsten Einsatzbereiche sind Vertrieb und Marketing, IT, Strategie, Finanzen und Buchhaltung
- Auch einführende Unternehmen beschränken sich oft auf ein oder zwei Geschäftsfunktionen oder nutzen AI in mehreren Aufgaben nur mit geringer Frequenz
- Umfassende AI-Integration ist die Ausnahme; laut einer McKinsey-Umfrage befinden sich die meisten in der Experimentier- oder Pilotphase, und nur wenige Großunternehmen treiben den Rollout in größerem Maßstab voran
- Die aktuelle AI-Einführung in Unternehmen hat nur geringe Auswirkungen auf Beschäftigung
- In Daten des Census Bureau gaben 5 % der Unternehmen an, dass es Beschäftigungseffekte gebe; die Zahl der Antworten zu Zunahmen und Abnahmen war gleich
- 80 % der befragten Führungskräfte in einer Atlanta-Fed-Umfrage sagten, AI-Investitionen hätten Mitarbeiterzahl oder Produktivität noch nicht verändert
- Eine dänische Studie zeigte, dass AI Aufgaben und Zeiteinteilung von Arbeitnehmern neu strukturiert, aber bislang keine Auswirkungen auf Beschäftigung, Arbeitszeit oder Einkommen hat
- Es gibt auch Forschungsergebnisse, wonach die Beschäftigung in AI-einführenden Unternehmen in den folgenden zwei Jahren um 10 % stieg
Frühe Evidenz entscheidet nicht über die langfristige Zukunft
- Frühere technologische Innovationen brauchten Jahre bis Jahrzehnte, um Unternehmen und Arbeitsmärkte zu verändern
- Robert Solow sagte 1987: „Das Computerzeitalter ist überall zu sehen, außer in den Produktivitätsstatistiken“
- In den 1980er-Jahren investierten Unternehmen massiv in PCs, doch um Wirkung zu erzielen, waren zusätzlich Enterprise-Software, Umschulung der Beschäftigten und organisatorische Umstellungen nötig
- Wegen dieser Einführungshürden zeigten sich die messbaren wirtschaftlichen Ergebnisse der Computerrevolution erst Ende der 1990er-Jahre
- Die Einschätzungen zu AI gehen weit auseinander
- Die Sichtweise von AI als normaler Technologie (normal technology) geht davon aus, dass AI wie frühere Technologien transformativ ist, sich aber schrittweise verbreitet
- Die andere Seite erwartet, dass bereits 2027 weltverändernde Effekte eintreten könnten
- Ein starkes Argument für die Normal-Technology-Perspektive ist die Geschichte früherer technologischer Revolutionen, die die Arbeitsnachfrage in einigen Berufen beseitigten oder verringerten, zugleich aber neue Jobs und Branchen schufen
- Die Natur von Arbeit und Wirtschaft veränderte sich, doch die Gesamtbeschäftigung stieg
- Wer AI als anders als frühere Technologien betrachtet, verweist auf das hohe Einführungstempo, die überproportionalen Auswirkungen auf kognitive Arbeit und die Eigenschaft, nicht nur einen einzelnen Beruf, sondern breite Büroarbeitsbereiche zu betreffen
- Unabhängig davon, welche Prognose zutrifft, können technologische Revolutionen Einzelne stark treffen; daher sollten Arbeitsmarktveränderungen schnell erfasst und mögliche politische Reaktionen vorbereitet werden
1 Kommentare
Meinungen auf Hacker News
Direkt zu Beginn der Diskussion stehen die beiden Top-Kommentare in völligem Gegensatz zueinander. Der eine sagt, AI steigere die Produktivität der bisherigen High Performer weiter und mache aus 80:20 ein 99:1, der andere, LLMs zögen Unterdurchschnittliche nach oben, behinderten aber Erfahrene und führten so zu einer Konvergenz zum Durchschnitt.
Wenn die einfachen Aufgaben erledigt sind, bleiben nur die schwierigen übrig, und Juniors kommen dann möglicherweise nicht weiter. Bürokratische Unternehmen erzeugen massenhaft einfache Aufgaben; misst man Produktivität also am Durchsatz von Jira-Tickets, wirkt die Produktivitätssteigerung durch AI bei Juniors deutlich größer.
Inzwischen glaube ich, dass ein großes Projekt mit mir, zwei Frontend-Entwicklern, einem nahezu Full-Stack-Entwickler, einem Tester, zwei Produktverantwortlichen und einem PM effizienter nur von mir und dem Tester umgesetzt werden kann. Selbst wenn ich nach 20 Jahren wieder SQL schreibe, werde ich nicht langsamer, und CSS, Features und Tests kann ich allein schnell erledigen.
Wir sind eigentlich eine kleine Organisation mit 1–2 Entwicklern pro Projekt, daher ist der Betrieb großer Projekte chaotisch und 80 % der Mühe gehen in Kommunikation verloren. In der Anfangsphase waren Produktteam, Scope und UI/UX-Patterns nützlich, aber danach reicht es, konkrete Designanfragen auszulagern und einen gründlichen Tester zu haben, der ungewöhnliche Edge Cases findet.
Das soll nicht heißen, dass ich ein Genie bin, sondern nur in mehreren Bereichen halbwegs kompetent; trotzdem ist es beängstigend, was möglich wird, wenn ein erfahrener Full-Stack-Entwickler mit UX-Gespür und Stakeholder-Management-Fähigkeiten dieses Tool einsetzt.
Dass die Verbesserungen bei Juniors konzentriert sind, kann auch an unterschiedlichen Aufgaben liegen. Wenn Seniors Junior-Aufgaben erledigen, könnten sie 1.000 % schneller sein, aber die wirklich schwierigen Aufgaben landen in der Praxis bei Seniors, und mittlerweile werden gerade Dinge, die sich nicht leicht mit Claude erledigen lassen, als schwierige Aufgaben eingestuft.
High Performer erledigen Aufgaben sehr schnell und konzentrieren sich dabei auf Qualität und Prozess, wodurch gut ausgearbeitete Software entsteht; doch als PMs das bemerken und ständig weitere Arbeit in den Sprint packen, beginnt sich die Lage zu verschlechtern.
Noch überraschender ist, dass man nicht mehr zwingend Fachexperte (SME) sein muss. Ein kleines Team ohne jegliche Android-Erfahrung hat eine schwer zu portierende Produktfunktion innerhalb weniger Monate nahezu fehlerfrei veröffentlicht; ohne AI hätte das mindestens ein halbes Jahr länger gedauert. Dinge, bei denen man am Vortag noch sagte: „Ich weiß nicht einmal, was das bedeutet“, sind am nächsten Tag erledigt.
Die Schwierigkeit solcher Studien besteht darin, dass Coding Agents wie Claude Code und OpenAI Codex erst Ende November richtig zu funktionieren begannen und viele sie wegen des Dezemberurlaubs tatsächlich erst Anfang Januar nutzten. Universelle Agents wie OpenClaw, Anthropic Copilot und ChatGPT „Work“ kamen noch später.
Da ihre Auswirkungen auf Arbeit deutlich größer sein könnten als die dialogorientierten Systeme von 2022–2025, haben Studien, die nur bis Ende 2025 reichen, möglicherweise den eigentlichen Leistungssprung verpasst.
Ich nutze Claude, habe aber anderswo kaum AI-Fanatiker gesehen, und das war auch ein wichtiger Filter bei der Jobsuche. Das Narrativ vom Jobrückgang ist stark übertrieben und wirkt eher wie Doom-Marketing von Anthropic und OpenAI sowie deren Sprachrohren.
Letztes Jahr war die Stimmung „dieselbe Software mit weniger Leuten bauen“, jetzt wachsen frühe Unternehmen mit der Erwartung, „andere Arten oder andere Formen von Software zu bauen“. Das garantiert jedoch weder die künftige Teamgröße noch den Erfolg.
In Nicht-Startup-Unternehmen gibt es weiterhin Entlassungsdrohungen und Druck, AI-Tools zu nutzen; ob lang laufende Agents in Legacy-Code ohne sorgfältige Aufsicht zuverlässig und effektiv sind, wird unterschiedlich eingeschätzt.
Selbst wenn sich Softwareentwicklung vollständig verändert hat, scheinen nicht viele zu glauben, dass 2027 keine Entwickler mehr gebraucht werden oder ihre Zahl um 50 % sinkt.
Produktivität folgt einer Pareto-Verteilung, und AI ist bereits ein scharfes Werkzeug, das produktive Menschen proportional noch produktiver macht. Je intelligenter AI wird, desto eher kann sich 80:20 zu 90:10, 95:5, 99:1 verschieben.
Unternehmensbürokratie verändert sich langsam, aber wenn Top-Performer aussteigen und kleinere Konkurrenten gründen, wird der Wandel, bei dem mittelgroße und große Unternehmen durch kleine ersetzt werden, schnell sein. Wettbewerb zwischen effizienten Unternehmen kann den Konsumentenrenten erhöhen, zugleich aber zu massiver wirtschaftlicher Verdrängung und einem Zusammenbruch der Steuerbasis führen.
AI ist erst seit Kurzem so gut, und auch die Gründung von Wettbewerbern braucht Zeit, daher wird sich das in nachlaufenden Indikatoren noch nicht zeigen. Ich arbeite selbst an einer Kommoditisierung, bei der ich ein Produkt, das besser ist als High-End-Software in einer Nischenbranche, praktisch kostenlos anbieten und damit viel Geld verdienen kann; es gibt keinen Grund, Wettbewerber darauf hinzuweisen. Wenn dasselbe in vielen Branchen passiert, kann sich die Welt völlig verändern.
Man bräuchte extrem schlaue Roboter, die Bürokratie bewältigen – von Multi-Cloud- und Multi-Region-Deployments über lokale Regulierung bis hin zu Buchhaltung, Steuern und Recht. Heute übernehmen Unternehmen wie SAP diese Rolle. Wenn eine solche Automatisierung möglich wird, kommen wir nahe an eine Situation, in der die Firma als solche, wie wir sie kennen, nicht mehr nötig ist.
Ich frage mich, warum die Arbeitslosenquote im Chart schon über ein Jahr vor dem Corona-Ausbruch langsam ansteigt. Die BLS-Daten springen im März 2020 plötzlich nach oben (Quelle).
Außerdem ist unklar, was mit „AI-Exposition“ im Jahr 2015 gemeint ist. Damals gab es keine LLMs, und die Quintil-Einteilung der zitierten Studie liegt faktisch näher an Computernutzung als an AI. Man muss zwischen einer AI, die Schach spielt, und einem LLM, das echte Arbeit erledigt, unterscheiden; Letzteres gibt es vermutlich erst seit etwa einem Jahr.
Ich habe kürzlich meine Qualifikation auf dem Arbeitsmarkt überprüft und dachte, ich hätte als alleiniger Entwickler in einer Organisation in den letzten 18 Monaten gut genug mit den aktuellen Entwicklungen Schritt gehalten, aber das Ergebnis war hart. Unternehmen verlangten 4 Jahre Erfahrung mit agentischer AI.
Am Ende erfinden alle Inhalte, verstehen die Grundprinzipien nicht und glauben dem Hype, sodass sie Standards setzen, die niemand erfüllen kann. Selbst wenn man AI-native Fähigkeiten aufbaut, ist man für AI-native Rollen nicht qualifiziert.
Trotzdem ist es wertvoll, mit alten Modellen oder aktuellen kleinen Modellen mit ähnlichen Einschränkungen zu arbeiten. Gewohnheiten wie sorgfältiges Kontextmanagement und gut gemachte Beispiele funktionieren auch bei aktuellen Modellen, steigern die Leistung und senken die Kosten. Wenn möglich, sollte man es zeigen, statt es verbal zu erklären.
Schade, dass die sehr interessanten und spaßigen Base- und Text-Modelle verschwunden sind.
Auch „X Jahre Erfahrung“ ist eher ein Proxy für Können als eine wörtliche Zeitangabe. Wenn man die Arbeit so gut erledigen kann wie eine durchschnittliche Person, die sie X Jahre gemacht hat, und das nachweisen kann, reicht das aus.
Es gibt zwei Kernpunkte, die man festhalten sollte. Erstens stammen die meisten Produktivitätsstudien in Grafik 3 aus den Jahren 2023–2024, sodass Copilot hohe Werte erzielte; damals war es eher ein leistungsfähiges Autocomplete, bevor Coding-Agenten explosionsartig verbreitet waren.
Zweitens geben zwar über 50 % der Amerikaner selbst an, wöchentlich AI zu nutzen, doch die tatsächliche Nutzung beträgt nur 6 % der Arbeitszeit; das entspricht der von der Google-Studie beschriebenen „breiten, aber flachen Nutzung“.
In derselben Umfrage lag die eingesparte Zeit bei 2 % der Arbeitszeit, was einer Produktivitätssteigerung von über 30 % pro Stunde AI-Nutzung entspricht und mit Ergebnissen aus mehreren Branchen sowie kontrollierten Studien übereinstimmt. Einige Ökonomen meinen, dass sich selbst diese niedrige Einführungsrate bereits in nationalen Arbeitsproduktivitätsstatistiken bemerkbar macht.
6 % sind sehr niedrig, daher könnten die Beschäftigungseffekte gerade erst beginnen. Da sowohl Selbstberichte als auch Mikro- und Makrodaten die Nützlichkeit bestätigen, dürften sowohl die Zahl der Nutzer als auch die Aufgabenbereiche wachsen; ich fürchte, dass die Auswirkungen erst allmählich verlaufen und dann plötzlich explodieren könnten.
Adoption-Tracking, Google-Studie (Diskussion), Daten der St. Louis Fed, Produktivitätsanalyse
Es gibt starke Hinweise darauf, dass Produktivitätsgewinne vor allem bei weniger erfahrenen Engineers ankommen und bei sehr erfahrenen verschwinden oder sogar negativ werden. Das passt zum Gefühl, dass LLMs die Baseline in Richtung Durchschnitt verschieben: Sie helfen Unterdurchschnittlichen, bremsen aber Überdurchschnittliche aus.
Außerdem bleiben Arbeiten, die mit einem LLM erledigt wurden, weniger im Gedächtnis als selbst ausgeführte Arbeiten. Dann sammeln weniger erfahrene Engineers faktisch keine echte Erfahrung. CEOs von Tech-Unternehmen könnten einfach gering qualifizierte Arbeitskräfte wollen, denen sie weniger zahlen müssen.
Umgekehrt betrachten Unternehmen, in denen Software nur eine nicht zentrale Komponente oder ein internes IT-System ist, Entwickler nicht als umsatzbringende Assets, sondern als Kosten, die minimiert werden müssen. Sie suchen die billigsten und unerfahrensten Kräfte und versuchen, durch Outsourcing oder LLMs die Einstellung guter Entwickler zu vermeiden.
Selbst wenn die eigentliche Arbeit schwierig ist und erfahrene Leute erfordert, wird das Unternehmen sie mit der billigsten Arbeitskraft erledigen wollen, solange es sie als Kosten betrachtet. Wenn möglich, sollte man Arbeit an Produkten oder IT-Systemen meiden, bei denen der Zusammenhang zwischen Softwarequalität und Profitabilität für das Management nicht offensichtlich ist.
Der größte Einfluss von AI am Arbeitsplatz sind LLM-Codegeneratoren für Entwickler, aber das kratzt nur an der Oberfläche dessen, was in Unternehmen möglich ist. Unser Unternehmen hat weder Ausrichtung noch Willen noch technische Kompetenz, um die echte Kraft von AI für Geschäftsziele zu nutzen; es kauft nur externe Paketlösungen ein und schafft es nicht, eine Intelligenzschicht in die Umgebung zu integrieren.
Solche Unternehmen dürften nicht selten sein. Chatbots sind nützlich, aber bis AI die Arbeit verändert, werden Jahre, vielleicht Jahrzehnte vergehen, und im Alltag kann es noch länger dauern. Selbst die tiefgreifendste Technologie muss sich gegen die Reibung der Realität verbreiten.
AI dringt jedoch viel breiter ein als Websites, und weil ohnehin alle bereits Mobiltelefone nutzen, ist die Reibung geringer als gedacht. Wenn MS Copilot gut genug wird, werden auch nichttechnische Nutzer AI Aufgaben übertragen.
Der Inhaber eines Klima- und Heizungsbetriebs könnte anweisen: „Bei Bob’s Burgers in Brentwood gibt es einen großen Notfall; schick so schnell wie möglich zwei Mitarbeiter hin und verschiebe nötigenfalls andere Termine.“ Für solche Aufgaben braucht es keine riesigen Tokenmengen, also werden sie günstig werden; allgemeine Büroanweisungen wie „Termin planen“ oder „X wegen Y kontaktieren“ dürften in 3 bis 5 Jahren sehr praktikabel sein. Der wichtigste Engpass ist, Agenten Zugriff auf die richtigen Daten zu geben.
In meinem Umfeld sehe ich tatsächlich Menschen, die ihre Jobs verlieren, aber zum Glück bin ich bisher nicht direkt betroffen. Da SaaS, iPaaS und Serverless als zentrale Bereitstellungstechnologien übernommen wurden, wird Agenturarbeit schon heute von kleineren Teams erledigt als vor zehn Jahren.
Dank AI kann man mit weniger Leuten mehr schaffen, aber es gibt nicht genug Projektnachfrage, um alle auszulasten.
Anthropic-CEO Dario Amodei sagt voraus, dass AI die Hälfte der Bürojobs abschaffen und die Arbeitslosenquote auf 20 % treiben könnte, während er zugleich erklärt, bestimmte Modelle seien zu gefährlich, um veröffentlicht zu werden.