# KI verringert Einstellungen ohne Entlassungen

> Entlassungen werden gezählt, eine Stelle, die ein Team nie ausschreibt, nicht. Ein Blick eines CTOs und Gründers darauf, wie KI die Einstellungsentscheidung verändern kann, bevor sie in Daten erscheint.

> 💡 **Kurz gesagt: zentrale Punkte**
> - **Eine Entlassung ist sichtbar, eine nie eröffnete Stelle nicht.** Deshalb erzählt die Zahl entlassener Menschen nicht die ganze Geschichte darüber, wie KI die Nachfrage nach Arbeit verändert.
> - **Dies ist der Blick von einem bestimmten Entscheidungspunkt aus.** Als CTO und Gründer sehe ich, wie Projekte, die früher ein künftiges Budget und eine Einstellung brauchten, von den bereits vorhandenen Personen begonnen werden.
> - **Die frühen Daten deuten an, sie urteilen nicht.** SignalFire berichtet von weniger Einstellungen neuer Hochschulabsolventen bei großen Technologieunternehmen; AIDE findet bei KI-bezogenen S&P-500-Ausschreibungen einen Schwerpunkt auf Seniorität. Keiner der Datensätze beweist, warum eine konkrete Stelle nicht ausgeschrieben wurde.
> - **Für Karrieren bedeutet das breiteres Urteilsvermögen.** KI kann angrenzende Fähigkeiten günstiger trainierbar machen, erhöht aber auch den Wert davon, Arbeit einzugrenzen, Werkzeuge anzuleiten und Ergebnisse zu prüfen.

Die öffentliche Debatte über KI und Arbeit pendelt weiter zwischen zwei einfachen Geschichten: Entweder kommen Entlassungen in spektakulärem Ausmaß, oder ausbleibende spektakuläre Entlassungen bedeuten, dass sich nichts Wesentliches verändert hat.

Keine der beiden Geschichten hilft bei einer Einstellungsentscheidung besonders weit.

Yales Budget Lab hat bislang keinen Zusammenhang zwischen Messgrößen zur KI-Exposition und Veränderungen bei Beschäftigung oder Arbeitslosigkeit gefunden und betont ausdrücklich, dass bessere Daten nötig sind. Das ist eine nützliche Bremse für große Behauptungen. Es beobachtet aber keine Position, die nie genehmigt oder ausgeschrieben wurde. [Die Auswertung von 2025](https://budgetlab.yale.edu/research/evaluating-impact-ai-labor-market-current-state-affairs) macht die Unterscheidung klar: Exposition ist nicht dasselbe wie Automatisierung oder Arbeitsplatzverlust.

Die fehlende Variable ist aus meiner Sicht die Einstellung, die still nie stattfindet.

## Die Variable, die eine Entlassungszahl nicht sieht

Eine Entlassung ist ein Ereignis. Sie hat ein Datum, eine Pressemitteilung, eine Person, die mit einem Karton geht. Sie wird gezählt, untersucht und juristisch bewertet. Eine Art, wie KI den Arbeitsmarkt verändern kann, ist das Gegenteil eines Ereignisses: eine Einstellung, die still nie stattfindet. Kein Datum, keine Ankündigung, keine verdrängte Person für ein Interview. Nur eine Rolle, die Sie vor einem Jahr eröffnet hätten und heute nicht eröffnen.

Das lässt sich nicht messen, indem man zählt, wer entlassen wurde. Eine Entlassungsreihe kann korrekt sein und diesen Mechanismus dennoch übersehen.

Ich kenne den Unterschied, weil ich auf beiden Seiten stehe. Tagsüber bin ich CTO, nachts Gründer. Tagsüber sitze ich mit Team und Budget in einem Unternehmen und treffe Einstellungsentscheidungen. Nachts betreibe ich ein Ein-Personen-Unternehmen. Derselbe Mechanismus erscheint in beiden Fällen. In meiner Tagesarbeit kann ich ihn mit einer Klarheit beobachten, die aggregierte Statistiken nicht bieten können, weil ich selbst entscheide, die Stelle nicht zu schaffen.

## Wo die Einstellungsentscheidung fällt

Hier liegt der Teil, den niemand misst.

Jahrelang gab es für verschobene Arbeit zwei Wege. Ein Projekt war zu groß für die vorhandenen Personen und wurde aufgeschoben. Dann wartete es entweder auf eine ruhige Phase mit freier Kapazität oder – bei vorhandenem Budget – das Team wuchs um ein oder zwei Seniors und erhielt sechs Monate bis ein Jahr. Unbeschäftigte Zeit oder mehr Menschen: Nur so wurde die Arbeit erledigt. Die Liste aufgeschobener Projekte war der Motor für Einstellungen. Jede neue Person im Team war durch einen Stapel unerledigter Arbeit begründet.

Diesen Stapel hat KI abgetragen.

Projekte, die wir für „nächstes Jahr, mit Budget“ geparkt hatten, beginnen wir jetzt. Nicht weil wir jemanden eingestellt haben, sondern weil das bestehende Team plus KI Arbeit aufnimmt, die zuvor eine Einstellung verlangte. Aufgaben auf Junior-Niveau, die eine Junior-Stelle gerechtfertigt hätten, erledigen die vorhandenen Entwickler und ich direkt und schnell. Also kommt kein Junior hinzu.

Und hier liegt die Folge, die Menschen beunruhigen sollte, die schon den Sieg erklären: Selbst wenn das Budget im nächsten Jahr kommt, stellen wir nicht unbedingt den Senior ein. Der Rückstand, der die Einstellung rechtfertigte, ist bereits verschwunden. Geld bringt den Personalbedarf nicht zurück, wenn der Grund dafür verdunstet ist. Das war keine Kostensenkungsentscheidung. Niemand saß in einem Raum und entschied sich zwischen Menschen und Einsparungen. Die Begründung für Teamwachstum löste sich auf, ohne dass wir es bemerkten.

## Der Kapazitätsüberhang

Das verstärkt sich, und diese Verstärkung ist die eigentliche Geschichte.

Erster Schritt: Ich liefere das aufgeschobene Projekt in ungefähr den zwanzig Prozent meiner Zeit aus, die KI freigemacht hat. Kein Senior, kein Warten von sechs Monaten, keine neue Zeile im Organigramm.

Zweiter Schritt: Nehmen wir an, das Projekt funktioniert und das Budget kommt. In der beschriebenen Situation stellen wir vielleicht *einen* Senior ein, wo wir früher ein größeres Team geplant hätten. Mit KI kann diese Person Arbeit abdecken, die zuvor mehr Menschen begründet hätte. Die Fähigkeit des Teams kann wachsen, ohne dass die Zahl der Köpfe im selben Maß wächst.

Dritter Schritt: Der Senior kann das Ergebnis mit einem kleineren Anteil seiner Zeit warten und erweitern. Auch ein Teil meiner Zeit wird wieder frei für das nächste aufgeschobene Projekt. Das ist ein beobachteter Kapazitätseffekt in meinem Umfeld, keine Prognose für jedes Team. Er gilt nur, solange die Arbeit innerhalb der Fähigkeiten des Teams bleibt, die Werkzeuge nützlich bleiben und die Arbeit keinen neuen Engpass offenlegt.

Das kann den Auslöser verzögern, der früher eine Einstellung startete: *Wir sind an der Kapazitätsgrenze, wir müssen wachsen.* Es bedeutet nicht, dass ein Team dauerhaft über ausreichend Kapazität verfügt. Neue Nachfrage, Integrationsarbeit, Qualitätsprobleme, Regulierung oder eine andere operative Beschränkung können den Druck zurückbringen. Sie ändern jedoch Zeitpunkt und Evidenz, die eine weitere Person rechtfertigen.

Menschliche Arbeit verschwindet dadurch nicht. Sie verlagert sich in den schwierigen Teil: Urteilsvermögen, Geschmack, Aufräumen und die Entscheidung, was sich tatsächlich zu bauen lohnt. Ich habe bereits darüber geschrieben, [wer aufräumt, nachdem KI den Code geschrieben hat](https://productlog.net/s/evrenbal/when-ai-writes-the-code-who-cleans-up-after-it), und über die [Verständnisschulden](/de/verstaendnisschulden-die-rechnung-kommt-wenn-man-allein-ist), die entstehen, wenn man schneller liefert als versteht. Die verbleibenden zwanzig Prozent sind diese Arbeit. Sie ist schwieriger als die ersetzte, nicht kleiner. Aber sie ist Arbeit für die Menschen, die bereits da sind. Sie ist kein Grund, eine Stelle zu eröffnen.

## Warum die Statistik es möglicherweise nicht sieht

So können die beruhigenden Daten und die verschwindende Leiter widerspruchsfrei nebeneinander bestehen.

Ökonomen, die nach dem Abdruck von KI suchen, beginnen oft mit Verdrängung: jemand hatte einen Job und verlor ihn. Das ist ein vernünftiger Ausgangspunkt. Er erfasst aber nicht das Kontrafaktische: die Rolle, die es gegeben hätte und nun nicht gibt. Es gibt keinen vollständigen Datensatz über Einstellungen, die nie stattfanden, und kein Exit-Interview für eine nie ausgeschriebene Stelle. Das Nicht-Ereignis ist von Natur aus schwerer zu beobachten.

Nach der Veröffentlichung dieses Essays aktualisierte das Stanford Digital Economy Lab [seine Analyse von Lohn- und Gehaltsdaten aus Millionen US-Arbeitsverhältnissen](https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/). Bei Beschäftigten im Alter von 22 bis 25 Jahren fiel die Beschäftigung in Berufen, in denen KI mehr Aufgaben ausführen kann, während sie anderswo stieg. Die Lücke entstand durch weniger Neueinstellungen junger Menschen, nicht durch mehr Arbeitsplatzverluste. Die Studie beweist nicht, dass KI die Veränderung verursachte. Sie zeigt, warum Entlassungszahlen allein eine Verschiebung bei Einstellungen übersehen können.

Weitere frühe Signale sind beobachtenswert, beweisen aber keine einzelne Ursache. [SignalFires Bericht „State of Tech Talent 2025“](https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025) besagt, dass neue Absolventen 2024 sieben Prozent der Big-Tech-Einstellungen ausmachten – 25 Prozent weniger als 2023 und mehr als 50 Prozent weniger als 2019. Der Bericht nennt selbst mehrere Faktoren, darunter kleinere Finanzierungsrunden, kleinere Teams, weniger Programme für Neueinsteiger und KI. Separat klassifizierte [AIDEs Momentaufnahme vom Juni 2026](https://aideinstitute.com/insights/ai-hiring-built-for-experts) 8.140 KI-bezogene Ausschreibungen unter 161.645 LinkedIn-Ausschreibungen von fast 500 großen börsennotierten Unternehmen. Bei Ausschreibungen mit Senioritätsangabe waren 71 Prozent Senior, 16 Prozent Mid-Level und 13 Prozent Junior. Gemessen wird ausgeschriebene Absicht, nicht besetzte Rollen oder die Ursache dieser Verteilung.

Es gibt einen scheinbaren Widerspruch, den wir vorsichtig behandeln sollten. Die [NACE-Umfrage „Job Outlook 2026“](https://www.naceweb.org/job-market/trends-and-predictions/student-concerns-about-ai-tempering-their-use-of-it-in-job-search) berichtet, dass 61 Prozent der antwortenden Arbeitgeber Einstiegsstellen nicht durch KI ersetzen würden; kein Befragter plante dies in den kommenden fünf Jahren. Das ist kein Beleg dafür, dass Arbeitgeber Rollen still unterdrücken. Es ist Evidenz darüber, was diese Gruppe zu ersetzen beabsichtigt. Zusammen mit den Einstellungsdaten bleibt eine reale Frage offen: Verändert KI die Nachfrage nach Einstiegsarbeit vor allem durch Ersatz, durch Neugestaltung von Jobs, durch Zurückhaltung bei Einstellungen oder durch andere wirtschaftliche Bedingungen?

Ich sehe ein Beispiel, weil ich an dem Punkt stehe, an dem die Entscheidung fällt, die Rolle nicht zu öffnen. Von innen ist diese Entscheidung nicht subtil. Von außen kann sie in aggregierten Daten verschwinden. Meine Erfahrung kann die Größe des Musters nicht bestimmen, legt aber eine Frage nahe, für die Daten gebaut werden sollten: Welche geplanten Rollen wurden nicht eröffnet – und warum?

## Was das tatsächlich bedeutet

Ich möchte hier vorsichtig sein. Auf beiden Seiten gibt es viel selbstsichere Kommentierung, und die verfügbare Evidenz rechtfertigt noch keine saubere Kausalgeschichte. Ich verkaufe weder eine Prognose noch ein Produkt. Ich beschreibe, wie eine Entscheidung vom Stuhl aus aussieht, auf dem sie getroffen wird.

Die engere Behauptung lautet: KI kann Arbeit umgestalten, ohne einen aktuellen Mitarbeiter überflüssig zu machen. In einigen Teams geschieht das möglicherweise durch Projekte, die nicht mehr dieselbe Begründung für eine Einstellung schaffen. In meinem Umfeld kann eine Junior-Rolle verschoben werden; auch eine Senior-Rolle kann sich verzögern; ein Projekt, das früher ein größeres Team nahelegte, kann mit weniger Menschen geliefert werden. Das ist ein zu untersuchender Mechanismus, kein allgemeines Arbeitsmarktergebnis.

Für neue Absolventen, Quereinsteiger und alle, die die erste Sprosse erreichen wollen, zählt diese Möglichkeit, bevor die aggregierten Daten sie auflösen. Die hilfreiche Antwort ist nicht der allgemeine Rat, ein KI-Werkzeug zu lernen. Sinnvoller ist, echte Tiefe in einem Handwerk zu bewahren und zugleich genug Breite aufzubauen, um Arbeit zu rahmen, Werkzeuge anzuleiten, Ergebnisse zu prüfen und die angrenzenden Systeme zu verstehen. Das ist nicht die Behauptung, eine enge Spezialisierung habe keine Zukunft. Es ist eine praktische Reaktion auf einen Markt, in dem die erste Version einer Aufgabe günstiger zu erzeugen ist.

Für eine SEO-Fachkraft kann diese Breite genug Marketing bedeuten, um ein echtes Markenbriefing zu formulieren, genug Code, um den Aufbau einer Website zu verstehen, und genug angrenzende Kompetenzen, um ein Werkzeug anzuleiten, statt auf Übersetzung des Outputs durch andere zu warten. KI kann das Üben dieser Ränder günstiger machen. Sie macht Ergebnisse nicht fehlerfrei. Die schwierigere Fähigkeit ist zu wissen, was delegiert werden kann, wie es zu prüfen ist und wann ein plausibles Ergebnis nicht gut genug ist.

Das verlangt mehr als Werkzeugkompetenz. Es verlangt Urteilsvermögen unter Unsicherheit: Welche Arbeit lohnt sich, welche Evidenz reicht aus, und wer verantwortet das Ergebnis, wenn der erste Entwurf schnell vorliegt?

Das Bild am Arbeitsmarkt kann noch eine Weile gemischt bleiben. Entlassungen sind wichtig, ebenso Stellenausschreibungen, Löhne, Aufgabengestaltung und Rollen, die Organisationen nicht eröffnen. Ich kenne nur eine dieser Entscheidungen von innen. Das reicht, um vorsichtig zu sein, das Einstiegsproblem für gelöst zu erklären, nur weil die Entlassungszahl niedrig bleibt.

---

Language: German
License: CC BY 4.0
License URL: https://creativecommons.org/licenses/by/4.0/
Scope: Evren Bal-authored text, unless this article expressly states otherwise.
Excluded: Third-party material, quoted excerpts, logos, and separately marked images retain their own rights.
Attribution: Credit Evren Bal, link to the canonical source and license, and indicate changes.
Source: https://evrenbal.com/de/ki-verringert-einstellungen-ohne-entlassungen