„KI-exponiert" — der Begriff trägt diese Analyse, also zuerst, was er zählt. Gemeint sind Berufe, deren typische Anfängeraufgaben aus kodifizierbarem Wissen bestehen: Datenabgleich, Standard-Code, Erstauskünfte im Kundenservice, Recherche für die Prüfung. Genau das, was ein Sprachmodell heute erledigt. Nicht gemeint ist die Robotik in der Fertigung oder die Frage, ob KI Ärzte ersetzt. Wer den Rückgang bei Einsteigern verstehen will, muss diese Trennung mitdenken — sonst misst er mit unbekanntem Maß.

Die belastbarste Zahl kommt aus Stanford. Erik Brynjolfsson und Kollegen werteten Lohnabrechnungsdaten von Millionen US-Beschäftigten aus und fanden ein Muster, das sich nicht mit dem Konjunktur-Zyklus erklären lässt: In stark KI-exponierten Berufen sank die Beschäftigung der 22- bis 25-Jährigen seit Ende 2022 um 6 bis 13 Prozent, laut der Aufbereitung bei KI im Personalwesen bei Softwareentwicklern für die jüngste Kohorte fast 20 Prozent. Ältere Arbeitnehmer in denselben Berufen legten im gleichen Zeitraum zu — teils um neun Prozent. Dasselbe Werkzeug, dasselbe Fach, gegensätzliches Vorzeichen, allein nach Alter getrennt.

Die Metapher der Forscher: Berufseinsteiger sind der Kanarienvogel im Kohlebergwerk. Sie kippen zuerst, weil ihr Wissen weitgehend das ist, was ein Modell aus Lehrbüchern gelernt hat. Erfahrung dagegen — das Urteil, wann eine Auskunft nicht passt, das Gespür für den Kunden — steht nicht im Trainingsdatensatz.

Was die Firmen tatsächlich tun

Zwei Fälle zeigen, wie sich das in Personalentscheidungen übersetzt. PwC will die Einstellung von Berufseinsteigern in den USA über drei Jahre um etwa 35 Prozent senken — so das Wirtschaftsmagazin Business Punk. Bemerkenswert ist der Widerspruch im eigenen Haus: PwC-Chairman Mohamed Kande preist KI als Jobmotor für hochqualifizierte Talente, während dieselbe Firma die klassische Anfängerstelle abbaut. Beides stimmt zugleich — und genau das ist der Punkt. KI schafft Nachfrage oben und entzieht sie unten.

Der zweite Fall ist Microsoft. Der Konzern streicht rund 4.800 Stellen, etwa zwei Prozent der Belegschaft, wie der Spiegel berichtet — bei gleichzeitig geplanten Investitionen von rund 190 Milliarden US-Dollar in KI-Infrastruktur. Hier ist Vorsicht geboten: Betroffen sind vor allem das kommerzielle Geschäft und die Xbox-Sparte, letztere mit einer Gewinnmarge um drei Prozent. Microsoft betont ausdrücklich, die Jobs würden nicht eins zu eins durch KI ersetzt. Das ist kein PR-Nebel, sondern die ehrlichere Beschreibung: KI liefert das Effizienzargument, mit dem sich Umschichtung von der schwachen Sparte in die Rechenzentren begründen lässt. Wer den Microsoft-Abbau als reinen Automatisierungseffekt liest, überzeichnet die Kausalität.

Der scheinbare Gegenbefund

Denn es gibt eine Studie, die genau das Gegenteil zu zeigen scheint. Eine US-Analyse von Ramp und Revelio Labs fand, dass Unternehmen mit hohen KI-Ausgaben schneller wachsen — aufbereitet bei Golem: rund zehn Prozent Personalzuwachs bei intensiven KI-Anwendern, in Einstiegspositionen sogar etwa zwölf Prozent. Für Unternehmen mit starker KI-Nutzung nennt die Debatte seit 2018 ein Beschäftigungswachstum von 52 Prozent gegenüber 36 Prozent bei zurückhaltenderen Firmen.

Das klingt nach Widerlegung. Ist aber keine — aus zwei Gründen. Erstens misst diese Studie die Firma, jene Studie den Beruf. Ein Konzern, der massiv in KI investiert, wächst insgesamt und stellt dabei auch Junioren ein; das schließt nicht aus, dass quer über die gesamte Wirtschaft die einstiegstypischen Aufgaben schrumpfen. Zweitens, und das ist der härtere Einwand: Die Kausalität läuft womöglich rückwärts. Wachsende, profitable Firmen können sich teure KI-Systeme leisten — nicht die KI treibt das Wachstum, sondern das Wachstum finanziert die KI. Die Korrelation wäre dann echt und die Schlussfolgerung trotzdem falsch. Wer diesen Befund als Entwarnung verkauft, überspringt genau diesen Schritt.

Bleibt die Frage, wie robust die Alarm-Zahlen selbst sind. Sie stammen fast alle aus den USA und Großbritannien. In Großbritannien fiel die Zahl ausgeschriebener Einstiegsjobs seit dem ChatGPT-Start Ende 2022 um rund 32 Prozent, so eine Randstad-Analyse. Für Deutschland ist die Datenlage dünn — und die vorhandene mahnt zur Zurückhaltung: Die aktuelle PwC-Studie zum deutschen Jobmarkt trägt den Befund im Titel, dass KI zwar den Kern des Arbeitsmarkts erreicht, den Skill-Wandel „aber noch kaum" treibt. Das Kiel Institut formuliert schärfer: KI verändere Jobprofile, nicht die Beschäftigung. Der deutsche Arbeitsmarkt reagiert träger als der amerikanische — Kündigungsschutz, Tarifbindung und der langsamere Tech-Sektor bremsen den Effekt, den US-Payroll-Daten schon sichtbar machen.

Die eigentliche Lücke

Neue Berufsbilder entstehen, das stimmt: KI-Trainer, Ethik-Spezialisten, Mensch-Maschine-Koordinatoren. Nur trägt kaum eine Quelle belastbare Zahlen dazu bei, wie viele es sind — die Aufzählungen bei SAP oder Karriere-Blogs bleiben qualitativ. Solange niemand die Neuschaffung beziffert, lässt sich die Kluft zwischen abgebauten und neuen Stellen nicht seriös vermessen. Wer sie trotzdem beziffert, rät.

Das eigentliche Problem ist strukturell und liegt jenseits der Nettobilanz. Wenn KI die Anfängeraufgaben übernimmt, verschwindet der Ort, an dem Berufserfahrung entsteht. Der Senior von morgen ist der Junior von heute, der an Routineaufgaben gelernt hat, wie das Fach funktioniert. Streicht man diese Stufe, kappt man die Zuleitung — nicht sofort, sondern mit fünf, zehn Jahren Verzögerung. 88 Prozent der befragten Personalchefs erwarten, dass Berufseinsteiger dank KI schneller einsatzbereit sind. Die Hoffnung ist verständlich. Ob ein Anfänger ohne Anfängeraufgaben je die Urteilskraft entwickelt, die ihn zum Senior macht, ist die offene Empirie dahinter.

Woran man in zwölf Monaten erkennt, welche Deutung trägt: an den deutschen Zahlen. Zeigt die Bundesagentur für Arbeit einen alterspezifischen Knick in KI-exponierten Berufen, wie ihn Stanford für die USA fand, ist der Effekt hier angekommen. Bleibt der Knick aus, war die deutsche Trägheit kein Aufschub, sondern ein Schutz. Bislang deutet die dünne Datenlage eher auf Aufschub.