TLDR: Eine der bisher umfangreichsten Studien zum Thema KI und Arbeitsmarkt liegt vor - von Harvard Business School, basierend auf nahezu allen US-Stellenanzeigen zwischen 2019 März 2025. Die Kernaussage ist präzise: Generative KI verdrängt nicht pauschal, sie verschiebt. Repetitive, kognitive Aufgaben verlieren an Nachfrage. Rollen mit Human-AI-Collaboration gewinnen. Wer diese Unterscheidung versteht, kann handeln.

Es gibt keine Meinungsumfragen mehr über KI und Arbeit. Es gibt Daten.

Das Working Paper „Displacement or Complementarity? The Labor Market Impact of Generative AI" von Wilbur Xinyuan Chen (Hong Kong University of Science and Technology), Suraj Srinivasan und Saleh Zakerinia (beide Harvard Business School) ist nach eigener Einschätzung der Forschenden die erste empirische Untersuchung, die Verdrängung und Ergänzung durch generative KI anhand eines nahezu vollständigen Datensatzes aller US-Stellenanzeigen misst. Über 19'000 Einzelaufgaben aus mehr als 900 Berufsfeldern wurden kategorisiert – nicht durch Schätzmodelle, sondern durch Auswertung realer Ausschreibungen von 2019 bis März 2025.

Das Ergebnis:

→ –17% Stellen mit repetitiven, kognitiven Aufgaben

→ –24% KI-exponierte Skills in automatisierungsaffinen Berufen

→ +15% KI-exponierte Skills in augmentierungsaffinen Rollen

→ +22% Rollen mit Human-AI-Collaboration

Der methodische Unterschied zu früheren Studien ist entscheidend: Während frühere Forschung meist Expositionsindizes verwendete - also abschätzte, welche Jobs durch KI gefährdet sein könnten - misst jetzt also diese Studie, was tatsächlich auf dem Arbeitsmarkt passiert. Das ist ein anderes Erkenntnisziel. Und es liefert andere, teils eben auch präzisere Antworten.

Zwei Narrative haben sich in der KI-Debatte festgesetzt, die die Studie klar widerlegt.

Das erste: “KI vernichtet Jobs.” Die Daten zeigen etwas Differenzierteres. Automatisierungsaffine Stellen werden seltener ausgeschrieben, aber parallel wachsen augmentierungsaffine Rollen. Netto ist der Effekt kein simpler Jobabbau – es ist eine Verschiebung der Nachfrage. Wer diese Verschiebung als Vernichtung liest, handelt falsch.

Das zweite: “KI betrifft uns noch nicht.” Der Rückgang automatisierungsaffiner Stellenausschreibungen um 17 Prozent ist kein Signal für morgen. Es ist ein Signal für heute. Der US-Markt zeigt, was bei frühzeitiger und breiter KI-Adoption passiert. Unternehmen im DACH-Raum, die diese Entwicklung als distant betrachten, unterschätzen die Geschwindigkeit, mit der Adoptionskurven auch in regulierten Märkten steiler werden.

Seit dem Launch von ChatGPT im im Jahr 2020 zeigen sich klare Verschiebungen:

Stellen im oberen Quartil des Automatisierungspotenzials – also Rollen mit überwiegend strukturierten, regelbasierten, kognitiven Aufgaben – verzeichnen einen Rückgang von 17 Prozent bei Stellenausschreibungen pro Quartal und pro Unternehmen gegenüber der Kontrollgruppe.

Stellen im oberen Quartil des Augmentierungspotenzials – Rollen, die einen Mix aus automatisierbaren und nicht-automatisierbaren Aufgaben aufweisen – wuchsen um 22 Prozent.

Auf Skill-Ebene ist die Verschiebung noch deutlicher. In automatisierungsaffinen Berufen sinken KI-exponierte Skills um 24 Prozent. In augmentierungsaffinen Rollen steigen sie um 15 Prozent. Das bedeutet: Nicht nur die Nachfrage nach Stellen verändert sich – auch die Kompetenzprofile werden aktiv umgeschrieben.

Diese Zahlen sind keine Projektion. Sie beschreiben, was bereits passiert ist.

Die wichtigste konzeptionelle Leistung der Studie ist gleichzeitig die wichtigste praktische Erkenntnis: Die Wirkung von generativer KI verläuft entlang von Aufgaben, nicht entlang von Berufsbezeichnungen.

Ein Finanzcontroller, der 60 Prozent seiner Zeit mit standardisierten Reports und Dateneingabe verbringt, ist stärker exponiert als ein Buchhalter, der hauptsächlich mit Ausnahmen, Compliance-Urteilen und Kundenkommunikation arbeitet. Nicht der Titel ist entscheidend, sondern der Tätigkeitsinhalt.

Die Studie unterscheidet drei Kategorien:

Automatisierungsaffine Aufgaben sind strukturiert, regelbasiert, kognitiv und klar definiert: Textzusammenfassung, Datenerfassung, standardisierte Berichte, Übersetzungen, Code nach Vorlage, First-Level-Support mit Skript. Generative KI kann diese Aufgaben nicht nur unterstützen – sie kann sie vollständig übernehmen. Der Mensch in dieser Aufgabe wird überflüssig, nicht der Mensch im Unternehmen.

Augmentierungsaffine Aufgaben kombinieren automatisierbare Teilschritte mit nicht-automatisierbaren Kernaufgaben. Ein Investmentanalyst, der KI-gestützte Marktdaten auswertet, aber das Investment-Urteil selbst fällt. Eine Neuropsychologin, die KI zur Testerstellung nutzt, aber Diagnose und Therapieentscheid verantwortet. Ein Marketingstratege, der KI-generierte Texte nutzt, aber Tonalität, Kontext und Zielgruppenverständnis einbringt. Hier wächst die Nachfrage, weil KI die Produktivität steigert – und Unternehmen diese Produktivitätssteigerung mit mehr Hiring einlösen wollen.

Nicht-exponierte Aufgaben erfordern direkte menschliche Präsenz, komplexe soziale Interaktion oder körperliche Handlung – KI kann sie weder übernehmen noch sinnvoll unterstützen.

-WERBUNG-

Mehr KI Kompetenz? Inkl. Kompetenznachweis? Dazu haben wir das KI-Update entwickelt. Kurse, Updates, Newsletter und Podcasts: ein Ort für all dein KI Wissen. Werde Teil unserer exklusiven Community! Tausche dich mit Gleichgesinnten aus, erhalte exklusive Inhalte und nimm an Live-Sessions teil. Mehr Infos gibts auf:

Die stärksten Rückgänge bei automatisierungsaffinen Stellen verzeichnen laut Studie der Finanz- und Technologiesektor. Das ist zunächst kontraintuitiv: Sind das nicht genau die Branchen, die am meisten von KI profitieren? Ja – und deshalb reorganisieren sie auch am schnellsten. Frühe und breite KI-Adoption geht mit früher und breiter Stellenprofil-Umstrukturierung einher. Finance und Tech sind nicht Opfer der Entwicklung. Sie sind Vorreiter.

Was das für Beschäftigte bedeutet, ist nuanciert. Die Studie zeigt nicht, dass Stellen vernichtet werden – sie zeigt, dass bestimmte Aufgaben aus Stellenprofilen herausfallen oder dass Stellen nicht mehr neu ausgeschrieben werden, weil die Aufgaben anderweitig abgedeckt sind. Ein:e Mitarbeiter:in, die bisher 40 Prozent ihrer Zeit mit strukturierten Routineaufgaben verbracht hat, verliert nicht den Job – verliert aber diese 40 Prozent. Was mit dieser Zeit passiert, ist die eigentlich entscheidende Frage. Und die Antwort hängt davon ab, ob das Unternehmen gestaltet oder reagiert.

Augmentierungsaffine Rollen wachsen nicht von selbst. Sie wachsen, weil Unternehmen beginnen zu verstehen, dass KI-gestützte Mitarbeitende einen anderen Output liefern als KI allein oder Mitarbeitende ohne KI.

Die Studie zeigt, dass in diesen Rollen nicht nur mehr Stellen ausgeschrieben werden – die Stellen sind auch kompetenzreicher. KI-exponierte Skills steigen um 15 Prozent, aber auch die Gesamtzahl geforderter Kompetenzen wächst. Das sind neue Skill-Cluster, die es vorher nicht gab:

Diese Skills sind keine Zukunftsinvestition. Sie werden jetzt nachgefragt.

Die Studie misst den US-amerikanischen Arbeitsmarkt. Die Forschenden halten selbst fest, dass Langzeiteffekte und regionale Übertragbarkeit noch offen sind.

Dennoch sind die Ergebnisse für Unternehmen in Deutschland, Österreich und der Schweiz richtungsweisend – mit bekannten Abweichungen. Der US-Markt läuft Europa bei Tech-Adoptionskurven erfahrungsgemäss 12 bis 18 Monate voraus. Europäische Arbeitsmärkte sind durch Tarifrecht, Mitbestimmungsrechte und regulatorische Rahmenbedingungen strukturell langsamer in der Umstrukturierung. Der EU AI Act fügt eine weitere Compliance-Schicht hinzu, die im US-Markt nicht existiert.

Das bedeutet: Die Richtung der Entwicklung ist dieselbe. Das Tempo ist langsamer. Der Handlungsspielraum ist grösser – aber er ist nicht unbegrenzt.

Unternehmen im DACH-Raum haben durch diesen strukturellen Vorsprung eine rare Gelegenheit: Sie können beobachten, was im US-Markt bereits messbar ist, und ihre Anpassung geordneter gestalten als Märkte, in denen die Verschiebungen schneller und disruptiver verlaufen. Diese Gelegenheit hat eine Laufzeit.

Bevor Reskilling-Programme aufgesetzt, Prozesse automatisiert oder Stellen verändert werden, braucht es eine ehrliche Bestandsaufnahme. Welche Aufgaben in welchen Rollen sind überwiegend strukturiert und regelbasiert – und welche erfordern Urteil, Kontext, soziale Kompetenz?

Das ist keine akademische Übung. Es ist die Grundlage für jede sinnvolle Personalentscheidung im KI-Zeitalter. Ein pragmatischer Ansatz: Jede Rolle in drei Kategorien aufteilen – automatisierungsaffin / augmentierungsaffin / nicht-exponiert – und den Anteil jeder Kategorie schätzen. Rollen mit mehr als 40 Prozent automatisierungsaffinenen Aufgaben verdienen prioritäre Aufmerksamkeit.

Die Studie unterscheidet zwei Qualifizierungsrichtungen, die in der Praxis häufig vermischt werden.

Reskilling richtet sich an Beschäftigte, deren Aufgabenspektrum durch KI schrumpft. Sie brauchen neue, nicht-automatisierbare Kompetenzen: Urteilsvermögen in unstrukturierten Situationen, interpersonelle Kommunikation, die Fähigkeit, Ausnahmen zu managen statt Regeln anzuwenden. Srinivasan formuliert es direkt: Retraining ist für automatisierungsaffine Rollen nicht optional – es ist notwendig, bevor Displacement eintritt, nicht danach.

Upskilling richtet sich an Beschäftigte in augmentierungsaffinen Rollen. Ihr Aufgabenspektrum wächst. Sie brauchen KI-Literalität, Prompt-Kompetenz und die Fähigkeit, KI-Output in Entscheidungsprozesse zu integrieren. Wer heute in diesen Rollen arbeitet und KI nicht aktiv nutzt, gibt Produktivitätspotenzial und Wettbewerbsfähigkeit ab.

Beide unter dem Label «KI-Training» zusammenzufassen, verfehlt den Bedarf systematisch.

Das am häufigsten unterschätzte Handlungsfeld. Nicht weil Unternehmen es ignorieren, sondern weil es unscharf bleibt. «Wir haben eine KI-Policy» ist ein Dokument, keine Governance.

Operative Governance beantwortet drei Fragen: Wer ist verantwortlich, wenn ein KI-gestütztes System eine fehlerhafte Entscheidung trifft? Welche Entscheidungen darf KI autonom treffen – und welche erfordern menschliche Freigabe? Wie sind Eskalationswege definiert, wenn KI-Output mit fachlichem Urteil kollidiert?

Besonders mit zunehmender Verbreitung von Agentic AI – Systemen, die nicht nur Text generieren, sondern eigenständig Abläufe orchestrieren – wird diese Frage dringend. Unternehmen, die jetzt keine klaren Verantwortlichkeiten für KI-Output definieren, werden diese Klarheit unter Druck schaffen müssen. Das ist der schlechtere Moment dafür.

Kein Masterplan. Ein strukturierter Anfang in vier Schritten:

Monate 1–2: Tätigkeitsanalyse Ein Team, eine Funktion. Matrix aus automatisierungsaffin / augmentierungsaffin / nicht-exponiert für alle wesentlichen Aufgaben. Ergebnis: eine handhabbare Grundlage, keine Perfektion.

Monate 3–4: KI-Pilot in einer augmentierungsaffinen Rolle Nicht Effizienzoptimierung als Ziel, sondern Lerngewinn. Was funktioniert? Wo braucht es menschliche Korrektive? Was ist die Qualitätsgrundlage für den Rollout?

Monate 5–8: Strukturiertes Upskilling KI-Literalität als Pflichtelement für betroffene Rollen. Nicht als optionales Angebot, das niemand bucht.

Monate 9–12: Governance-Framework Zuständigkeiten, Grenzen, Eskalationswege – schriftlich, operationalisierbar, auf Basis der Piloterfahrungen. Nicht auf Basis von Mustervorlagen.

Und darum bin ich nach wie vor überzeugt: Die Zukunft gehört nicht denen, die KI fürchten oder blind vertrauen, sondern denen, die verstehen, welche ihrer Aufgaben sie mit KI stärker machen können.

Die Daten sind klar. Die Verschiebung läuft. Was jetzt zählt, ist nicht Abwarten, sondern das gemAInsame Arbeiten mit intelligenten Systemen – mit Urteil, mit Kompetenz, mit Verantwortung. Also wenn Du reden willst, und wenn Du mit mir zusammenarbeiten willst: melde Dich gerne www.rogerbasler.ch

Disclaimer: Dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.Ai und Grok.com sowie Gemini.Google.com) manuell zusammengestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt von Ideogram.Ai und ist selbst erstellt. Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.

Why does business news feel like it’s written for people who already get it?

Morning Brew changes that.

It’s a free newsletter that breaks down what’s going on in business, finance, and tech — clearly, quickly, and with enough personality to keep things interesting. The result? You don’t just skim headlines. You actually understand what’s going on.

Try it yourself and join over 4 million professionals reading daily.

Check it out

Quellen und weitere Informationen:

Chen, W. X., Srinivasan, S., & Zakerinia, S. (2024). Displacement or complementarity? The labor market impact of generative AI. Harvard Business School Working Paper 25-039. https://www.hbs.edu/ris/Publication%20Files/25-039_05fbec84-1f23-459b-8410-e3cd7ab6c88a.pdf

Azpúrua, A. E. (2026, February 20). Enhance or eliminate? How AI will likely change these jobs. HBS Working Knowledge. https://www.library.hbs.edu/working-knowledge/enhance-or-eliminate-how-ai-will-likely-change-these-jobs