Junior-Einstellungen minus 22 Prozent. Die Fed sieht nichts.
Drei große Studien haben im vergangenen Jahr gemessen, was Künstliche Intelligenz mit Einstiegsjobs macht, und sind zu drei verschiedenen Ergebnissen gekommen. Harvard: Junior-Einstellungen in KI-einsetzenden Unternehmen um 22 Prozent gesunken. Stanford: 22- bis 25-Jährige in KI-exponierten Berufen liegen 19 Prozent unter ihren Altersgenossen. Die US-Notenbank: kein messbarer Effekt. Keine der drei Studien irrt sich. Sie messen verschiedene Größen, und genau darin liegt die ganze Geschichte.
Das ist mehr als eine volkswirtschaftliche Fußnote. Diese Zahlen landen im nächsten Quartal in Vorstandsvorlagen, und wer die Deutungshoheit gewinnt, bestimmt für ein Jahrzehnt über Einstellungspolitik, Ausbildungsbudgets und KI-Regulierung. Aktuell zitiert jede Seite genau die Studie, die ihr recht gibt, was ein zuverlässiges Zeichen dafür ist, dass niemand alle drei gelesen hat.
Die drei Befunde im direkten Vergleich
| Studie | Gemessene Größe | Datenbasis | Ergebnis |
|---|---|---|---|
| Harvard, Aug. 2025 | Einstellungen und Belegschaft nach Senioritätsstufe, innerhalb von Unternehmen mit KI-Einsatz | 62 Mio. Beschäftigte, 285.000 Unternehmen, 245 Mio. Stellenanzeigen, 2015 bis 2025 | Junior-Einstellungen 2023 um 22 Prozent gesunken; Junior-Belegschaft nach sechs Quartalen 7,7 Prozent unter Vergleichsunternehmen; Senior-Belegschaft unverändert |
| Stanford, Aug. 2026 | Beschäftigung junger Arbeitnehmer in KI-exponierten gegenüber weniger exponierten Berufen | US-Gehaltsabrechnungsdaten, aktualisierte Fassung der Ausgabe von 2025 | 22- bis 25-Jährige in den am stärksten exponierten Berufen 19 Prozent unter den weniger exponierten, nach 13 Prozent im Vorjahr |
| US-Notenbank, 2026 | Stellenanzeigen, Entlassungen und Beschäftigtenzahl gesamtwirtschaftlich | Stellenanzeigendaten verknüpft mit der Business Trends and Outlook Survey des Census; regionale Unternehmensbefragungen | Kein Beleg, dass KI-Einsatz Einstellungen reduziert; sehr wenige KI-bedingte Entlassungen; gesamtwirtschaftlicher Effekt 2026 unter 0,4 Prozent |
Harvard und Stanford sind sich beim Mechanismus einig, nicht nur bei der Richtung
Die Harvard-Studie ist die forensischere der beiden. Sie verfolgt die Beschäftigung nach Senioritätsstufe innerhalb jedes einzelnen Unternehmens und kann deshalb trennen, ob eine Firma geschrumpft ist oder schlicht aufgehört hat einzustellen. Das Ergebnis ist eindeutig: Der Rückgang bei den Junioren geht auf langsamere Einstellungen zurück, nicht auf mehr Abgänge. Entlassen wurde niemand. Die Tür wurde leise geschlossen.
Die Stanford-Aktualisierung aus diesem Monat schneidet die Daten anders an. Sie vergleicht junge Beschäftigte in KI-exponierten Berufen mit jungen Beschäftigten in weniger exponierten, und der Abstand ist innerhalb eines Jahres von 13 auf 19 Prozent gewachsen. Ältere Beschäftigte in denselben exponierten Berufen bleiben weitgehend unberührt.
Zwei unabhängige Teams, zwei Datensätze, zwei Methoden, und beide landen bei derselben Erklärung: Der Effekt konzentriert sich dort, wo Arbeit kodifiziert ist, und verschont, was implizit bleibt. Rollen, die auf dokumentierten, aufgeschriebenen Abläufen beruhen, haben verloren. Rollen, die auf Urteilsvermögen aus Erfahrung beruhen, sind gewachsen.
Der kodifizierte Teil der Arbeit war der dokumentierte Teil
Den nächsten Teil spricht in dieser Debatte niemand laut aus. Die Exponiertheit wurde nicht vom Modell verhängt. Sie wurde vorher von der Organisation selbst hergestellt. Kodifiziertes Wissen ist das Wissen, das jemand aufgeschrieben hat: der Einarbeitungsleitfaden, das Runbook, die Ticketvorlagen, der Entscheidungsbaum, der am Service-Desk klebt. Jedes dieser Artefakte existiert, weil eine Führungskraft wollte, dass Junior-Arbeit wiederholbar wird.
Wiederholbar ist dasselbe Wort wie automatisierbar. Die Unternehmen, die ihre Junior-Arbeit am saubersten dokumentiert haben, haben sie zuerst automatisiert, und die Dokumentation wurde zum Pflichtenheft ihres eigenen Ersatzes. Das ist die Umkehrung im Kern dieser Daten: dieselbe Dokumentenstrecke, die die Arbeit für Neueinsteiger lesbar machte, hat sie für ein Sprachmodell lesbar gemacht.
Warum die US-Notenbank ebenfalls recht hat
Es wäre bequem, die Fed als zu langsam abzutun. Sie ist es nicht. Ihre Analyse vom März 2026 verknüpfte Stellenanzeigendaten mit der Business Trends and Outlook Survey des Census und fand keinen Beleg dafür, dass KI-Einsatz Einstellungen reduziert. Die New Yorker Notenbank berichtete im August 2026, Unternehmen meldeten sehr wenige KI-bedingte Entlassungen, und nannte den Effekt eher evolutionär als disruptiv. Die Atlanta-Notenbank beziffert den erwarteten gesamtwirtschaftlichen Beschäftigungseffekt für 2026 auf unter 0,4 Prozent.
Dieselben regionalen Befragungen erklären den größten Teil der Lücke. Der KI-Einsatz bei Dienstleistern stieg binnen eines Jahres von 25 auf 40 Prozent, 44 Prozent werden binnen sechs Monaten erwartet. Bei Herstellern ging es von 16 auf 26 Prozent. Wenn die Fed also über die Gesamtwirtschaft mittelt, hat weit über die Hälfte des Nenners noch gar nichts eingeführt. Harvard und Stanford schauen bewusst in die einsetzenden Unternehmen hinein. Einen konzentrierten Effekt über eine überwiegend unbetroffene Grundgesamtheit zu mitteln, ist genau der Weg, auf dem aus echten 22 Prozent ein Rundungsfehler wird.
Einstellen ist ein Fluss. Beschäftigung ist ein Bestand.
Das ist die Auflösung, und sie ist kein Kompromiss zwischen den Lagern, sondern eine Messtatsache. Harvard und Stanford messen einen Fluss: wer wird pro Quartal in welcher Senioritätsstufe eingestellt. Die Fed misst einen Bestand: wie viele Menschen aktuell eine Stelle haben und wie viele eine verloren haben.
Eine Stelle, die nie ausgeschrieben wird, erzeugt keine Entlassung, keinen Abgang, keine Arbeitslosmeldung und keine Anzeige beim Arbeitsamt. Jedes Instrument, das gebaut wurde, um Arbeitsplatzverlust zu erkennen, ist ein Bestandsinstrument. Nicht-Entstehung von Arbeitsplätzen ist für sie alle unsichtbar. Der Schaden trifft niemanden, den die Statistik sehen kann, weil er die trifft, die die Stelle noch gar nicht haben.
Deshalb werden bessere Aggregatdaten das nicht klären. Gesamtbeschäftigung ist das falsche Instrument für ein Verteilungsereignis, so wie eine Durchschnittstemperatur nichts über ein einzelnes kaltes Zimmer sagt. Dasselbe Muster gab es im Security-Betrieb, wo zwei Umfragen denselben Raum vermessen und entgegengesetzte Urteile geliefert haben, weil die eine die Führung fragte und die andere die Schicht.
Der Ökonom hinter der Schreckenszahl prognostiziert keine Apokalypse
Dasselbe Stanford-Team, das die 19 Prozent produziert hat, kommt zu dem Schluss, dass eine KI-Jobapokalypse unwahrscheinlich ist. Das ist kein Widerspruch und kein Rückzieher, sondern die korrekte Lesart der eigenen Daten: ein scharfer, realer, messbarer Treffer für eine Alterskohorte in einer Gruppe von Berufen, ohne gesamtwirtschaftliche Katastrophe. Beide Hälften stimmen gleichzeitig, und jede Zusammenfassung, die eine behält und die andere weglässt, betreibt Politik statt Ökonomie.
Die Pipeline hat noch niemand durchgerechnet
Alle drei Studien berichten denselben Nebenbefund, und er bekommt kaum Aufmerksamkeit: Der Senior-Bereich ist stabil. Rollen mit implizitem Wissen wachsen. Erfahrene Leute sind mehr wert als vorher.
Senioren bestehen aus ehemaligen Junioren. Implizites Wissen entsteht dadurch, dass man die kodifizierte Arbeit zwei Jahre lang schlecht macht, während jemand Erfahreneres korrigiert. Wer die kodifizierte Arbeit entfernt, hat die Lehrzeit entfernt, und die Rechnung kommt in etwa acht Jahren, lange nachdem die Führungskraft, die den Einstellungsstopp genehmigt hat, weitergezogen ist. Eine Entscheidung mit langer Verzögerung und ohne Rückmeldesignal, dieselbe strukturelle Falle, an der die meisten KI-Projekte nach dem Pilotprojekt scheitern, wo die Kosten in einem Budget landen, das niemand mit der ursprünglichen Entscheidung verbindet.
Was man mit drei Antworten anfängt
- Gesamtwirtschaftliche Planung: die Fed-Zahl nehmen. Sie ist das richtige Instrument für eine ganze Volkswirtschaft, und die ehrliche Antwort dort lautet, dass bisher nichts Dramatisches passiert ist.
- Planung im eigenen Unternehmen: Harvard und Stanford nehmen, aber nur, wenn tatsächlich KI eingeführt wurde. Der Befund betrifft die Einsetzenden, und wenn das auf Sie zutrifft, sind die 22 Prozent Ihre Zahl und die 0,4 Prozent nicht.
- Entscheidung, was man lernt: Exponiertheit folgt der kodifizierten Arbeit. Verteidigbar ist das Urteilsvermögen, das nie aufgeschrieben wurde, und genau das ist am schwersten zu erwerben, jetzt wo der Einstiegsweg dorthin enger wird.
- Zitieren dieser Zahlen:immer dazusagen, welche Größe gemessen wurde. „Einstellungen bei Einsetzenden minus 22 Prozent“ und „Beschäftigung stabil“ stimmen beide, und der Abstand dazwischen ist die ganze Debatte.
Warum das zählt
Die Instrumente, mit denen wir wirtschaftlichen Schaden erkennen, wurden für eine Zeit gebaut, in der Schaden als Arbeitsplatzverlust ankam. Dieser kommt als Nicht-Entstehung von Arbeitsplätzen, und dafür wurde keine Statistikreihe entworfen. Bis sich eine Aggregatzahl weit genug bewegt, um die Debatte zu beenden, ist die Kohorte, die den Wandel absorbiert hat, fünf Jahre in einer Laufbahn, die später begann, schlechter bezahlt war und den Teil übersprungen hat, in dem jemand sie ausbildet. Auf die Einigkeit der Aggregate zu warten, ist selbst schon die Entscheidung.