Der Berufseinstieg ist die Baustelle: Was die Daten 2026 wirklich über KI und technische Arbeitsmärkte sagen

Es gibt in dieser Debatte eine Regelmäßigkeit, die man kennen sollte, bevor man die nächste Schlagzeile liest: Je runder die Zahl, desto dünner meist die Quelle. Und je sorgfältiger die Studie, desto kleiner der gemessene Effekt.

Ein Beispiel aus den vergangenen Tagen. Durch die deutsche Berichterstattung lief die Zahl, in China seien Einkommen durch KI um 40 Prozent eingebrochen. Sie geht auf eine Reportage des Guardian vom 31. Juli zurück — und dort auf genau zwei Menschen: einen Taxifahrer in Wuhan, dessen Einkommen seit dem Start von Baidus Robotaxi-Dienst Apollo Go um 40 Prozent gefallen ist, und einen Kameramann in Peking, der heute 40 Prozent seines Honorars von 2019 verdient. Das sind eindrückliche Schicksale. Eine Branchenzahl sind sie nicht.

Die Zahl existiert nämlich auch in belastbar. Ein Team um Zhen Yu hat für die Zeitschrift Humanities and Social Sciences Communications mehr als 200.000 Tagesbeobachtungen von Taxifahrern in Wuhan ausgewertet und dabei Fahrer verglichen, die vom Robotaxi-Betrieb betroffen waren, mit solchen, die es nicht waren. Ergebnis: minus 10,9 Prozent Tageseinkommen. Ein knappes Viertel dessen, was die Anekdote nahelegt — und immer noch ein erheblicher Einschnitt für Menschen mit geringem Einkommen.

Diese Diskrepanz ist kein chinesisches Phänomen, sie ist das Muster. Wer Entscheidungen über Personal, Budgets und Ausbildungswege trifft, sollte deshalb wissen, was die Datenlage im Sommer 2026 tatsächlich hergibt.

Wo die Evidenz am stärksten ist: der Einstieg

Die methodisch überzeugendste Arbeit zum Thema kommt von Erik Brynjolfsson, Bharat Chandar und Ruyu Chen vom Digital Economy Lab in Stanford. Unter dem Titel „Canaries in the Coal Mine?“ werten sie Lohn- und Beschäftigungsdaten des Gehaltsabrechners ADP aus — also Verwaltungsdaten aus Millionen echter Beschäftigungsverhältnisse, nicht Umfragen.

Ihr zentraler Befund: In Berufen mit hoher KI-Exposition ist die Beschäftigung von 22- bis 25-Jährigen um rund 16 Prozent relativ zurückgegangen. Bei erfahrenen Beschäftigten in denselben Berufen ist sie stabil geblieben. „Hohe KI-Exposition“ heißt dabei schlicht: Der Beruf besteht überwiegend aus Tätigkeiten, die heutige Modelle einigermaßen zuverlässig erledigen — Text zusammenfassen, Standardcode schreiben, Anfragen kategorisieren. Wichtig ist die Unterscheidung, die die Autoren treffen: Der Rückgang konzentriert sich auf Berufe, in denen KI Aufgaben automatisiert, nicht auf solche, in denen sie Menschen ergänzt. Und angepasst wird über die Beschäftigtenzahl, nicht über die Löhne.

Eine zweite Arbeit stützt das aus anderer Richtung. Seyed Hosseini Maasoum und Guy Lichtinger haben für Harvard rund 285.000 Unternehmen mit 62 Millionen Beschäftigten und 245 Millionen Stellenanzeigen aus den Jahren 2015 bis 2025 ausgewertet. Führt ein Unternehmen generative KI ein, sinkt seine Junior-Beschäftigung deutlich im Vergleich zu Unternehmen, die das nicht tun; die Senior-Beschäftigung bleibt stabil. Der Mechanismus ist dabei aufschlussreich: Der Rückgang entsteht nicht durch mehr Kündigungen, sondern durch langsameres Einstellen. Niemand wird entlassen. Es rückt nur niemand nach.

Beide Studien sind korrelativ, nicht experimentell, und beide Autorengruppen sagen das selbst. Wie fragil solche Befunde sind, zeigt ein Update, das Stanford im Februar 2026 nachgeschoben hat: Rechnet man mit dem umfassendsten Satz an Kontrollvariablen, werden die Rückgänge erst ab 2024 statistisch signifikant. Zinsen als Alternativerklärung halten die Autoren dennoch für unzureichend — sie erklären nicht, warum ausgerechnet Einstiegsstellen in KI-exponierten Berufen überproportional betroffen sind.

Der Produktivitätsbefund, mit dem niemand gerechnet hat

Wer aus dem Vorstehenden ableitet, KI mache Entwicklungsteams so schnell, dass man weniger Leute brauche, sollte die bislang sauberste Messung dazu kennen — sie stammt vom Forschungsinstitut METR und ist ein randomisiert kontrollierter Versuch, also der Goldstandard.

16 sehr erfahrene Open-Source-Entwickler bearbeiteten 246 reale Aufgaben in Projekten, an denen sie im Schnitt seit rund fünf Jahren arbeiteten. Per Zufall wurde festgelegt, ob sie KI-Werkzeuge einsetzen durften. Das Ergebnis: Mit KI brauchten sie 19 Prozent länger. Bemerkenswert ist weniger die Zahl als die Wahrnehmung. Vorher hatten die Entwickler erwartet, 24 Prozent schneller zu sein. Hinterher glaubten sie, 20 Prozent schneller gewesen zu sein — während sie tatsächlich langsamer waren. Befragte Fachleute aus Ökonomie und maschinellem Lernen hatten 38 beziehungsweise 39 Prozent Beschleunigung vorhergesagt.

Die Einschränkungen gehören dazu, und sie sind erheblich: kleine Stichprobe, sehr erfahrene Entwickler in ihnen bestens vertrauten, reifen Codebasen, und Modelle vom Stand Anfang 2025. Über Berufseinsteiger, neue Projekte oder heutige Modelle sagt die Studie nichts. Die belastbare Erkenntnis ist eine andere, und sie überlebt jede Modellgeneration: Die gefühlte Beschleunigung ist kein Messwert. Wer Personalentscheidungen auf Selbsteinschätzungen des eigenen Teams stützt, stützt sie auf eine Größe, die in einem kontrollierten Versuch das Vorzeichen verfehlt hat.

Gleichzeitig entsteht etwas

Die Gegenbewegung ist real und wird selten mitzitiert. Das Indeed Hiring Lab hat ausgewertet, wie sich Stellenanzeigen für Softwareentwicklung entwickelt haben. Ende 2025 lagen sie rund 33 Prozent unter dem Niveau von Februar 2020 — das ist der Kater nach dem Pandemie-Boom, nicht KI. Seit Ende Februar 2025 aber sind sie wieder um 15 Prozent gewachsen, während alle Stellenanzeigen zusammen um 7 Prozent zurückgingen.

Entscheidend ist, wohin dieses Wachstum fließt: 71 Prozent davon entfallen auf Senior-Rollen, 37 Prozent auf Stellen, die KI schon im Titel tragen. Das ist keine Erholung, das ist eine Umschichtung. Dieselbe Bewegung zeigt der deutsche Hays-Index, über den wir in dieser Ausgabe berichten: Während Web-, Java- und .NET-Entwickler unter das Niveau von 2015 fallen, legen Datenbankentwickler als einzige Gruppe zu. Der Bereichsleiter von Hays begründet das damit, dass Unternehmen merken, dass sich KI nicht auf unzureichenden Datenstrukturen aufbauen lässt.

Wie viel davon ist wirklich KI?

Hier wird es unübersichtlich, und man sollte die Unübersichtlichkeit nicht wegreden. Die Outplacement-Beratung Challenger, Gray & Christmas zählt für 2026 bis Juni 101.743 Stellenstreichungen mit explizitem KI-Bezug, rund 23 Prozent aller Kürzungen; im Juni allein waren es 31 Prozent. Der Tracker layoffs.fyi kommt für 2026 auf über 124.000 Tech-Entlassungen und darauf, dass 54 Prozent der Entlassungsereignisse KI als Faktor nennen. Die Zahlen widersprechen sich nicht, sie zählen Verschiedenes — Personen gegen Ereignisse. Und beide beruhen darauf, dass Unternehmen KI als Grund angeben. Das ist eine Begründung, keine Messung, und sie klingt vor Investoren besser als „wir haben uns verkalkuliert“.

Die Deutungen der Ökonomen laufen dabei anders, als viele vermuten. Goldman Sachs argumentiert für 2026 ausdrücklich, dass die aktuelle Welle nicht primär zins- und konjunkturgetrieben sei, sondern aus dem bewussten Willen folge, Personalkosten dauerhaft zu senken. Daron Acemoglu vom MIT, lange die prominenteste skeptische Stimme gegen KI-Automatisierungsprognosen, hat sich zwar bewegt, bleibt aber beim Zeitpunkt zurückhaltender und erwartet eine spürbare Verlangsamung der Einstellungen in KI-exponierten Berufen erst 2027.

Ein Warnhinweis zum Schluss dieses Abschnitts, weil die Zahl überall zitiert wird: Die vielgenannten „6,1 Prozent Arbeitslosigkeit unter Informatik-Absolventen“ stammen aus der American Community Survey von 2023 — also von vor der großen Entlassungswelle. Und die Datenreihe der New York Fed zum Arbeitsmarkt für Hochschulabsolventen trägt seit Oktober 2025 den Hinweis, dass sie mangels Daten nicht mehr fortgeschrieben wird. Wer 2026 mit diesen Zahlen argumentiert, argumentiert mit Archivmaterial.

Was das für Entscheidungen heißt

Vier Schlüsse, die die Datenlage trägt.

Erstens: Die eigentliche Entscheidung betrifft die Junior-Pipeline, nicht das Werkzeugbudget. Der stabilste Befund über beide großen Studien hinweg ist, dass sich der Effekt am Einstieg zeigt, und zwar über unterlassene Einstellungen. Das ist eine Entscheidung, die jedes Unternehmen einzeln trifft, meist ohne sie je so zu benennen — und deren Rechnung erst in einigen Jahren präsentiert wird, wenn die Senior-Rollen nachbesetzt werden müssen, für die niemand ausgebildet wurde.

Zweitens: Messen statt fragen. Der METR-Befund ist die praktisch anschlussfähigste Erkenntnis der letzten zwölf Monate. Wer wissen will, was KI-Werkzeuge im eigenen Team bringen, braucht Durchlaufzeiten und Fehlerraten vor und nach der Einführung — keine Umfrage.

Drittens: Datenarbeit ist der Engpass, nicht die Modellauswahl. Dass ausgerechnet Datenbankentwickler in Deutschland gegen den Trend zulegen und dass in den USA 37 Prozent des Stellenwachstums auf KI-Titel entfallen, zeigt in dieselbe Richtung. Die Arbeit verschwindet nicht, sie wandert eine Ebene tiefer.

Viertens: Vorsicht vor runden Zahlen — in beide Richtungen. Der ehrliche Stand ist weder „Massenverdrängung“ noch „nichts passiert“. Er lautet: moderate, ungleich verteilte, am Berufseinstieg konzentrierte Effekte, die sich erst seit etwa 2024 sauber messen lassen und deren Ursache sich nur teilweise von Konjunktur und Zinsen trennen lässt. Das ist eine unbefriedigende Antwort. Es ist die, die die Daten hergeben.