Die Fassung für Maschinen macht jede Zahl nachprüfbar

Sprachmodelle können jede PDF lesen. Sie behalten dabei jedoch die Zahl und verlieren die Quelle, die Fassung und den Zusammenhang. In der Fassung für Maschinen geht nichts davon verloren. Sie enthält den vollständigen Text mit einer festen Kennung für jedes Kapitel, jeden Kernbefund, jede Prognose und jede der 141 Quellen. Der dritte Kernbefund trägt zum Beispiel die Kennung WAAI-2026-K03. Dazu kommen die Kernbefunde, Prognosen und Quellen als Datensätze, eine Kurzbeschreibung für Sprachmodelle und ein Zusatzpaket (Skill), das sich in Claude, ChatGPT oder Copilot laden lässt. Wenn eine Personalchefin ihren KI-Assistenten fragt, was der Report über den Berufseinstieg sagt, erhält sie eine Antwort mit Fassung, Kennung und Quelle. Sie kann jede Zahl nachprüfen, statt ihr glauben zu müssen.

Das Netz hat seit Juni zwei Leserschaften, die meisten Unternehmen bedienen nur eine

Anfang Juni meldete Cloudflare erstmals mehr Anfragen von Bots und KI-Agenten als von Menschen im eigenen Netz. Cloudflare-Chef Matthew Prince hatte diesen Übergang erst für Ende 2027 erwartet. Seither hat jede Website, jeder Shop und jedes Kundenportal ein zweites Publikum. Dieses Publikum sieht kein Design, liest keinen Werbetext und füllt kein Formular aus. Es kommt mit einer Aufgabe und braucht eine Antwort in einer Form, mit der es arbeiten kann. Die meisten Unternehmen haben ihre digitale Welt bisher ausschließlich für Menschen gebaut, mit Bildern, Texten und Knöpfen.

Ich bin überzeugt, dass wir in den kommenden Jahren zwei Welten nebeneinander bauen werden. In der ersten Welt zählen Haltung, Gestaltung und die Bühne, auf der jemand eine These vertritt und sich der Diskussion stellt. In der zweiten Welt zählen eine klare Ordnung, eine nachvollziehbare Herkunft und Aussagen, die sich eindeutig zitieren lassen. Die zweite Welt ist keine Kopie der ersten, sondern ein eigenes Werk mit eigenen Regeln. Banken werden ihre Konditionen so veröffentlichen, dass Software sie abfragen und vergleichen kann. Händler werden ihre Preise und Lagerbestände für die Einkaufsassistenten der Käufer lesbar machen, und Zulieferer werden Anfragen direkt von der Einkaufssoftware ihrer Kunden erhalten, ohne dass auf einer der beiden Seiten ein Mensch tippt.

Wer die zweite Welt zuerst baut, wird von den Maschinen zitiert

Zugegeben, die meisten Leser werden weiterhin die PDF öffnen, und das ist gut so. Für einen Report ist die zweite Welt trotzdem keine technische Frage, sondern eine Frage der Urheberschaft. KI-Assistenten greifen bevorzugt auf die Quellen zurück, die sie sauber lesen und zuordnen können, und sie nennen diese Quellen so lange, bis jemand eine bessere liefert. Wer seine Befunde heute mit Kennung, Fassung und Quelle anbietet, wird morgen genannt. Wer weiterhin nur eine PDF anbietet, wird nacherzählt, und zwar ohne seinen Namen.

Deshalb erscheint „Work After AI“ in beiden Welten. Die Menschen erhalten den Report, die Keynote und die Diskussion. Die Maschinen erhalten dieselben Befunde in der Form, mit der sie arbeiten können. Beide Fassungen entstehen aus demselben Text und werden bei jeder Aktualisierung gemeinsam fortgeschrieben, damit die Zahl im Assistenten nie älter ist als die Zahl in der PDF.

Alles liegt kostenlos auf gerhardkuerner.com/downloads: der Report auf Deutsch und Englisch, beide Management Summaries, die Fassung für Maschinen in beiden Sprachen und ein Gesamtpaket, das alles in einer Datei enthält. Wie man die Fassung in einen KI-Assistenten lädt, steht auf der Seite „Der Report für Maschinen“.

In wenigen Jahren wird es so selbstverständlich sein, dass ein Report, ein Katalog oder eine Preisliste auch für Maschinen erscheint, wie es heute selbstverständlich ist, dass ein Unternehmen eine Website hat. Offen ist nur, wer die zweite Welt baut, solange dort noch Platz ist. Ich habe damit begonnen.

Gerhard Kürner ist Autor von Work After AI, CEO von 506.ai und Mitgründer von Choose European.

Was eine Zahl im Chatfenster verliert

Wer einen Assistenten fragt, was künstliche Intelligenz mit dem Arbeitsmarkt macht, erhält eine Antwort voller Zahlen. Aus welcher Quelle sie stammen, aus welchem Jahr und aus welcher Fassung, sagt die Antwort meistens nicht. Das ist kein Fehler der Modelle, die inzwischen jede PDF lesen, die im Netz liegt. Es ist ein Fehler der Reports, die als PDF erscheinen und darauf warten, dass jemand sie liest. Eine PDF trägt ihre Herkunft auf dem Titelblatt und in den Fußnoten. Eine Zahl, die aus ihr herausgelöst wird, trägt nichts davon mit.

Wie schnell das zum Problem wird, zeigt die bekannteste Prognose des vergangenen Jahres. Im Mai 2025 sagte Dario Amodei, der Chef von Anthropic, bis zur Hälfte aller Einstiegsstellen könne binnen fünf Jahren wegfallen. Die Zahl ist seither in unzähligen Antworten, Vorträgen und Vorstandsunterlagen aufgetaucht, fast immer ohne Datum, ohne Absender und ohne den Hinweis, dass der Absender ein Anbieter ist, dessen Geschäft an der Wirksamkeit der Technologie hängt. Die New York Times hat die Prognose im September 2026 neben die amtliche Arbeitslosenquote von 4,1 Prozent gelegt. Wer die Zahl ohne Datum und Absender weiterträgt, kann sie nicht mehr prüfen, und wer sie nicht prüfen kann, kann ihr nur noch glauben. Genau dafür führt Work After AI eine Tabelle externer Vergleichsmarken, in der jede fremde Prognose mit Absender, Zieljahr, Eigeninteresse und Stand steht und keine Zeile jemals gelöscht wird.

Die Modelle lesen längst, nur nicht so, wie ein Report gelesen werden will

Zugegeben, für Menschen reicht die PDF. Und zugegeben, die Modelle lesen sie längst. Sie lesen sie jedoch wie einen Zeitungsstapel: Die Zahl bleibt hängen, die Quelle fällt weg, und die Fassung kennt niemand. Bei einem Report, der sich innerhalb eines Jahres fortschreibt, ist das nicht nur unschön, sondern falsch. Work After AI ist am 16. September 2026 als Fassung 1.0 erschienen, am 18. September folgte die Fassung 1.1, die den Gender Gap bei generativer KI auf die Eurostat-Statistik 2025 umgestellt und eine neunte Prognose ergänzt hat, und seit heute gilt die Fassung 1.2 mit sechs weiteren Quellen. Ein Modell, das die Fassung 1.0 gelesen hat, gibt heute eine Zahl wieder, die der Report selbst nicht mehr führt.

Der Report läuft deshalb auf drei Ebenen, die unterschiedlich schnell laufen. Die Ausgabe erscheint jedes Jahr im Herbst und benotet die Prognosen des Vorjahres. Innerhalb der Ausgabe folgen Fassungen im Abstand von etwa einem Quartal, jede mit Datum, Versionsnummer und einer eigenen dauerhaften Kennung, dem DOI, damit jedes Zitat auf einem festen Stand steht. Zwischen den Fassungen erscheinen hier Analysen, die jeweils sagen, welchen Kernbefund sie bestätigen oder verschieben. Für Menschen ist das ein Fahrplan. Für Maschinen ist es die Voraussetzung, eine Zahl überhaupt richtig zuzuordnen.

Was mit der Fassung 1.2 dazukommt

Seit heute, mit der Fassung 1.2, erscheint der Report zusätzlich in der Form, in der Maschinen lesen. Der volle Text wird als Textdatei bereitgestellt, mit einer festen Kennung je Kapitel, Kernbefund, Prognose, Vergleichsmarke und Quelle. Die zehn Kernbefunde, die neun Prognosen, die Vergleichsmarken und alle geprüften Quellen, in der Fassung 1.2 sind es 141, kommen als Datendateien, und jeder Eintrag enthält Fassung, Quellennummer und eine Zitatvorlage. Dazu kommt ein Skill-Paket, das in Claude, ChatGPT oder Copilot geladen wird und dem Assistenten mitgibt, wie der Report denkt: die drei Kräfte, die er unterscheidet, die Regel, dass die Exposition eines Berufs nie mit seiner Ersetzung gleichgesetzt wird, die Regel, dass Zahlen von Anbietern und Beratungen als Selbstauskunft gelten und nicht als Messung, und die Pflicht, jede Zahl mit Fassung, Kennung und Quelle zu nennen.

Der Unterschied zur PDF ist nicht der Inhalt, sondern die Adresse. Eine Aussage, die WAAI-2026-K03 heißt, lässt sich in jeder Fassung wiederfinden, vergleichen und prüfen. Eine Aussage, die auf Seite 23 einer PDF steht, lässt sich nur nacherzählen.

Dateien statt Dienste

Man hätte daraus einen Dienst bauen können, eine Schnittstelle, an die sich Agenten anschließen, mit Konto, Zugangsschlüssel und Nutzungsstatistik. Ich habe mich dagegen entschieden, und zwar aus drei Gründen. Ein Dienst muss betrieben werden, und ein Report, der einmal im Jahr erscheint und dreimal im Jahr fortgeschrieben wird, braucht keinen Betrieb. Ein Dienst bindet an den, der ihn betreibt, während Dateien unter einem DOI jedem Modell offenstehen, heute und in fünf Jahren. Und ein Dienst verlangt Vertrauen in den Anbieter, während Dateien mit Prüfsummen nur Vertrauen in die Datei verlangen.

Deshalb gibt es keinen Dienst, keine Schnittstelle und kein Konto. Es gibt Dateien mit einer dauerhaften Kennung, die jedes Modell lesen kann, und eine Lizenz, die eine Namensnennung verlangt. Der Report bleibt kostenlos. Ich verdiene nicht am Report, sondern an dem, was ich aus ihm ableite, in Vorträgen und in der Arbeit mit Unternehmen. Wer den Datenbestand oder das Skill-Paket gewerblich in ein Produkt einbaut, vereinbart das vorher mit mir. Wer ihn liest, zitiert oder in seinen Assistenten lädt, tut das frei.

Die Dateien liegen seit heute neben der PDF unter dem DOI des Reports auf Zenodo. Was es gibt, wo es liegt und wie man es in Claude, ChatGPT oder Copilot lädt, steht auf der Seite „Der Report für Maschinen“ auf workafterai.org.

Was das für alle anderen Reports heißt

Der unbequeme Teil dieser Überlegung betrifft nicht meinen Report, sondern die Branche, die Reports herstellt. Die meisten Jahresstudien von Beratungen, Verbänden und Anbietern sind für die Pressemitteilung gebaut, nicht für das Zitat. Sie haben eine Kopfzahl, eine Grafik und ein Datum auf dem Titelblatt, und sie haben keine Adresse für die einzelne Aussage. In einer Welt, in der die Zahl ohne den Report weiterwandert, ist das ein Geschäftsmodell, das seinen Absender verliert. Die Zahl setzt sich durch, der Name nicht, und die Selbstauskunft eines Anbieters steht in der Antwort gleichberechtigt neben der amtlichen Statistik, weil beide ohne Herkunft ankommen.

Ein Report, der 2026 nicht für Maschinen erstellt wurde, wird 2027 nicht verschwinden. Er wird nacherzählt, und zwar ohne seinen Namen. Wer seine Zahlen behalten will, muss ihnen eine Adresse geben, bevor sie sich auf den Weg machen. Das ist keine technische Entscheidung, sondern eine über die eigene Urheberschaft, und sie lässt sich mit einer Textdatei und ein paar Datendateien treffen. Wer abwartet, wird feststellen, dass seine Zahlen längst überall waren, und dass niemand mehr weiß, dass es seine sind.

Gerhard Kürner ist Autor von Work After AI, CEO von 506.ai und Co-Founder von Choose European.

Was es gibt. report.md ist der vollständige Text als reine Textdatei (Markdown), mit einem festen Anker je Kapitel, Kernbefund, Prognose, Vergleichsmarke und Quelle. Die Datendateien kernbefunde.json, prognosen.json, vergleichsmarken.json, quellen.json und kapitel.json enthalten dieselben Inhalte für Programme, je Eintrag mit Kennung, Fassung, Quellennummern und Zitatvorlage. index.json nennt Fassung, Datum, DOI, Lizenz, Zitierempfehlung und Prüfsummen. Das Skill-Paket work-after-ai enthält das Denkgerüst des Reports, seine Begriffsregeln, die Zitierregel und die Daten als Beilage, für Assistenten, die Skills laden.

Kennungen. Jede Aussage hat eine feste Kennung: WAAI-2026-K03 ist der dritte Kernbefund, WAAI-2026-P04 die vierte Prognose, WAAI-2026-Q017 die Quelle 17. Die Kennungen bleiben über alle Fassungen einer Ausgabe gleich. Was sich inhaltlich geändert hat, steht im Versionsverlauf am Ende des Reports.

Wo es liegt. Auf Zenodo unter dem Werk-DOI 10.5281/zenodo.22862384, der immer auf die neueste Fassung zeigt, liegen die Dateien neben der PDF; die Fassung 1.2 vom 24. September 2026 trägt den eigenen DOI 10.5281/zenodo.22934893. Dieselben Dateien liegen auf gerhardkuerner.com, das Skill-Paket als Zip. Die englische Ausgabe hat eine eigene Maschinenfassung mit denselben Kennungen; ihre Dateien der Fassung 1.2 liegen ebenfalls auf gerhardkuerner.com, das Skill-Paket als Zip, und ab der Fassung 1.3 auch auf Zenodo neben der englischen PDF unter dem Werk-DOI 10.5281/zenodo.22868155. Wer alles in einer Datei möchte, lädt das Gesamtpaket mit beiden Reports, beiden Management Summaries und beiden Maschinenfassungen.

Wie man es lädt. In Claude: das Skill-Zip herunterladen und als Skill hinzufügen, oder report.md und die Datendateien in ein Projekt legen. In ChatGPT: die Dateien in ein Projekt hochladen oder als Wissen in einen eigenen GPT; report.md reicht für Fragen, die Datendateien braucht, wer Zahlen mit Quellennummer will. In Microsoft Copilot: die Dateien ablegen und im Gespräch als Quelle anhängen, in Copilot Studio als Wissensquelle eines Agenten. Für eigene Agenten ist index.json der Einstieg und llms.txt die Kurzbeschreibung; jede Antwort soll Fassung, Kennung und DOI mitgeben.

Zitieren. Empfohlene Form: Kürner, Gerhard (2026): Work After AI 2026. Der große Irrtum vom Jobkiller KI. Work After AI, Ausgabe 2026, Fassung 1.2. Wels: Kuerner Group GmbH. DOI 10.5281/zenodo.22862384. Für eine einzelne Aussage zusätzlich die Kennung nach der Fassung, etwa Fassung 1.2, Kernbefund 3 (WAAI-2026-K03). Jede Fassung hat zusätzlich einen eigenen DOI, mit dem sich ein bestimmter Stand eindeutig belegen lässt.

Was erlaubt ist. Der Text darf mit Namensnennung weiterverbreitet, zitiert und bearbeitet werden. Der Datenbestand und das Skill-Paket sind frei für Nutzung, Zitat und Weitergabe mit Namensnennung; wer sie gewerblich in Produkte, Dienste oder Plattformen einbaut, vereinbart das vorher mit dem Herausgeber. Die genauen Bedingungen stehen in LICENSE.md neben den Dateien.

Fehler und Rückfragen. An gerhard@kuerner.at. Berichtigungen erscheinen mit der nächsten Fassung und werden im Versionsverlauf ausgewiesen.

Warum. Große Reports werden von Menschen immer seltener gelesen und von Maschinen immer öfter. Wenn ein Assistent eine Zahl aus diesem Report nennt, soll er sagen können, aus welcher Fassung sie stammt, aus welcher Quelle und mit welcher Kennung. Das ist der Unterschied zwischen einem Report, der zitiert wird, und einem, dessen Zahlen ohne Herkunft weiterwandern.

An English summary is included in README.md next to the files. The English edition has a machine edition of its own with the same structure and IDs; its files for version 1.2 are on gerhardkuerner.com (skill package as a zip), and from version 1.3 on they sit on Zenodo next to the English PDF. Everything in one file: the complete package, with both reports, both management summaries and both machine editions.

Englische Ausgabe, Download PDF: Work After AI 2026, The Great Misconception About the AI Job Killer (Fassung 1.2 vom 24. September 2026, 113 Seiten, 141 Quellen). Dazu die einseitige Management Summary auf Englisch als PDF.

Für Sprachmodelle und Agenten: Seit der Fassung 1.2 erscheint der Report zusätzlich als Maschinenfassung, also als Textdatei mit einer festen Kennung je Kapitel, Kernbefund, Prognose, Vergleichsmarke und Quelle, als Datendateien und als Skill-Paket für Claude, ChatGPT oder Copilot. Was es gibt und wie man es lädt, steht auf der Seite Der Report für Maschinen; die Dateien liegen auf Zenodo neben der PDF.

Der Report ist die jährliche Standortbestimmung zur Transformation der Arbeitswelt durch künstliche Intelligenz. Er stützt sich auf 141 geprüfte Quellen aus amtlicher Statistik, begutachteter Forschung, Nutzungsdaten der Modellanbieter und Unternehmensbefragungen. Die Fassung 1.3 folgt Anfang November, die Abschlussfassung 1.4 zum 31. Dezember 2026. Sie erscheinen ebenfalls hier in dieser Rubrik, jede Änderung steht mit Datum im Versionsverlauf am Ende des Reports.

Der Launch-Artikel mit den Kernbefunden: Der Jobkiller KI ist eine Story der Kapitalmärkte, nicht der Betriebe

Der englische Launch-Artikel: The AI job killer is a story told by capital markets, not by companies

Die zehn Kernbefunde

1. Der Jobkiller ist eine Story der Kapitalmärkte.

2. Die Erwartung überholt die Messung.

3. Die Karrierelücke entsteht beim Einstellen, nicht beim Kündigen.

4. Der Berufseinstieg verschiebt sich von der Ausführung auf die Aufsicht.

5. Frauen tragen das höhere Risiko und haben den geringeren Zugang.

6. Was der Einzelne gewinnt, kommt in der Organisation nicht an.

7. Delegieren ist eine Führungsentscheidung, und wer nicht mehr prüft, verlernt.

8. Die Organisation der Zukunft gliedert ihre Arbeit nach Themen statt nach Funktionen, und sie wird dabei kleiner.

9. Das Marketing ist die erste Funktion, an der sich der Umbau zeigt, von innen wie von außen.

10. In Europa dreht der demografische Druck die Ausgangsfrage um, und über die Zukunft der Arbeit entscheidet die Fähigkeit des Unternehmens, mit der Technologie zu arbeiten.

Die neun Prognosen für 2027

1. Das KI-Argument bleibt 2027 in den Vereinigten Staaten ein Kündigungsgrund der ersten Reihe, während die amtlich gemessene Wirkung klein bleibt.

2. Mindestens drei namhafte Unternehmen revidieren bis zum Herbst 2027 öffentlich einen mit künstlicher Intelligenz begründeten Einstellungsstopp am Berufseinstieg.

3. Der amerikanische Einstiegseinbruch zeigt sich auch 2027 in den amtlichen Reihen Deutschlands und Österreichs nicht, und die Verzögerung hält an.

4. Die Pilot-Produktiv-Lücke schließt sich 2027 nicht.

5. Mindestens fünf namhafte Unternehmen im deutschsprachigen Raum kündigen bis zum Herbst 2027 eine Reorganisation an, die Einheiten nach Themen und Ergebnissen statt nach Funktionen gliedert.

6. Mindestens ein öffentlich sichtbarer Großversuch, die Hierarchien abzuflachen und die Organisation auf KI-Akteure auszurichten, wird bis zum Herbst 2027 teilweise zurückgenommen.

7. Die Schere zwischen Produktivität und Löhnen öffnet sich in den ersten Jahren der Technologie weiter.

8. Das KI-Argument kommt 2027 im deutschsprachigen Raum nicht an. Kein Unternehmen in Deutschland, Österreich oder der Schweiz mit mehr als 10.000 Beschäftigten begründet bis Ende 2027 einen Abbau von mehr als 1.000 Stellen in erster Linie mit künstlicher Intelligenz.

9. Der berufliche Gender Gap bei generativer KI schließt sich 2026 nicht.

Die Kernbefunde mit ihren Zahlen, die Methodik, die Begriffe des Reports und die Offenlegung der Interessenlage stehen auch als Webseite: gerhardkuerner.com/report-2026.html

Beide Sprachfassungen sind auf Zenodo archiviert und dauerhaft zitierbar. Die beiden Adressen verweisen stets auf die jeweils aktuelle Fassung: deutsche Ausgabe https://doi.org/10.5281/zenodo.22862384, englische Ausgabe https://doi.org/10.5281/zenodo.22868155. Der Autor ist unter der ORCID 0009-0003-0611-0526 verzeichnet.

Zitierempfehlung: Kürner, Gerhard (2026): Work After AI 2026. Der große Irrtum vom Jobkiller KI. Work After AI, Ausgabe 2026, Fassung 1.2. Wels: Kuerner Group GmbH. DOI 10.5281/zenodo.22862384. Die Fassung 1.2 vom 24. September 2026 trägt den eigenen DOI 10.5281/zenodo.22934893.

A note to readers who have followed Work After AI in English so far: from today this section publishes in German, the language of the region the report is written for. Substack offers a translation of every post in the web and app reader, and the English edition of the report is available under Machines at Work, which stays in English.

Im Juni 2026 war künstliche Intelligenz in den Vereinigten Staaten den vierten Monat in Folge der meistgenannte Grund für Stellenstreichungen. 101.743 Stellen sind seit Jahresbeginn mit dieser Begründung gestrichen worden. Wenige Monate zuvor hatte das amerikanische Census Bureau die Unternehmen, die die Technologie tatsächlich einsetzen, gefragt, was die Technologie mit ihrer Belegschaft gemacht hat. Rund 5 Prozent meldeten überhaupt eine Wirkung auf die Zahl der Beschäftigten, und diese 5 Prozent verteilen sich fast gleichmäßig auf beide Richtungen, 2,0 Prozent mit weniger Leuten, 2,3 Prozent mit mehr. 16 Prozent haben Software oder Ausrüstung ersetzt.

Beide Zahlen sind richtig, und sie beschreiben zwei verschiedene Dinge. Die eine sagt, was Unternehmen sagen, wenn sie Stellen streichen. Die andere zeigt, was in den Unternehmen geschieht, die mit der Technologie arbeiten. Der Abstand zwischen beiden ist das Thema des Reports, den ich heute veröffentliche, der ersten Ausgabe von Work After AI, und er ist der Grund, warum der Titel eine Behauptung ist und keine Frage: der große Irrtum vom Jobkiller KI.

In den Gesprächen mit Eigentümern, Aufsichtsräten und Geschäftsführungen, die ich seit Jahren in Deutschland, Österreich, der Schweiz und dem übrigen Europa führe, habe ich den Jobkiller nicht gefunden. Gefunden habe ich, überall und in derselben Form, eine Technologie, die breit erprobt wird und selten produktiv im Einsatz ist, einen Berufseinstieg, der sich verändert, ohne dass jemand die Ursache sicher nennen könnte, und Organisationen, die noch nicht wissen, wie man mit einem Kollegen arbeitet, der kein Mensch ist. Die Schlagzeile schweißt diese drei Dinge zu einer Story zusammen. Sie haben verschiedene Ursachen, und sie laufen in verschiedenem Tempo.

Das KI-Argument dient der Bilanz

Die erste Kraft ist die lauteste, und sie hat mit der Technologie am wenigsten zu tun. Seit 2023 werden Stellenstreichungen großer Unternehmen immer öfter mit künstlicher Intelligenz begründet, und das Muster ist regelmäßig genug, um es lesen zu können. Die britische Neobank Starling Bank kündigte im Juli 2026 den Abbau von rund 130 Stellen an und stellte ihn als Vereinfachung der Struktur im Zuge des KI-Ausbaus dar. Ihr Umsatz war um 5,6 Prozent gesunken, der Vorsteuergewinn um rund 3 Prozent, und als Hauptursache nannte die Bank selbst nicht ihre Technologie, sondern den gesunkenen Leitzins der Bank of England. Die Sprachregelung, wonach Strukturen vereinfacht und Doppelungen abgebaut werden, ist die klassische Restrukturierungsformel, die es lange vor der generativen KI gab, und sie sagt an keiner Stelle, welche der gestrichenen Tätigkeiten eine Maschine tatsächlich übernommen hat.

Der Mechanismus ist nicht geheimnisvoll. Ein großer Teil dessen, was heute als technologische Modernisierung auftritt, ist die verspätete Korrektur einer Überbesetzung aus den Jahren des billigen Geldes. Marc Andreessen hält praktisch jedes große Unternehmen für überbesetzt, viele um ein Viertel, die meisten um die Hälfte, und selbst Sam Altman, dessen Geschäft auf der Verbreitung der Technologie beruht, räumt ein, dass Firmen Entlassungen der künstlichen Intelligenz zuschreiben, die sie ohnehin vorgenommen hätten. Das KI-Argument ist die bessere Begründung für einen Abbau, der so oder so käme, denn eine Kürzung, die als Modernisierung auftritt, wird vom Kapitalmarkt belohnt, ein schlichter Sparkurs nicht. Rund drei Viertel der Kursgewinne im breiten amerikanischen Aktienindex stammen seit Ende 2022 aus dem Umfeld der künstlichen Intelligenz. Personalkosten sind der größte frei steuerbare Kostenblock, also finanziert der Abbau die KI-Investition, und die KI-Investition liefert die Story, die den Abbau rechtfertigt. Das ist der ganze Kreislauf, und die Zahlen des Census Bureau zeigen, wie er von innen aussieht: Software wird gut dreimal so häufig ersetzt wie Menschen.

Das betrifft jeden, der ein Unternehmen besitzt oder bewertet, denn der Markt liest eine schlankere Belegschaft derzeit als Beleg für ein stärkeres Geschäft, und manchmal ist sie das auch. Meistens ist es eine Bilanz, die unter einer technologischen Überschrift aufgeräumt wurde, und beides sieht etwa vier Quartale lang gleich aus.

Die Karrierelücke ist real, und sie entsteht beim Einstellen

Die zweite Kraft ist die einzige, die sich tatsächlich messen lässt, und gemessen wird sie am Berufseinstieg. Die Lohndaten des Stanford Digital Economy Lab zeigen in der Fassung vom August 2026, dass die Beschäftigung der 22- bis 25-Jährigen in den am stärksten betroffenen Berufen 19 Prozent unter dem Stand der Altersgenossen in weniger betroffenen Berufen liegt. In den betroffenen Berufen ist die Beschäftigung dieser Altersgruppe seit Ende 2022 um 11 Prozent gesunken, in den weniger betroffenen um 10 Prozent gestiegen, und die 35- bis 49-Jährigen in denselben betroffenen Berufen haben ebenfalls 10 Prozent zugelegt. Der gesamte Abstand entsteht beim Einstellen. In diesen Daten wird niemand entlassen. Es wird jemand nicht eingestellt.

Ob die Maschine, die Zinsen oder das Homeoffice die Ursache ist, ist in der Forschung offen, und der Report sagt das auch. Nicht offen ist, wo die Entscheidung fällt. Die Lücke entsteht im Einstellungsplan, in Unternehmen, die die Juniorstelle als die erste Zeile behandeln, die sich streichen lässt, sobald ein Werkzeug die Routinearbeit übernimmt. Zwei große Häuser sind 2026 bereits den umgekehrten Weg gegangen. Der IT-Dienstleister Cognizant hat im vergangenen Jahr knapp 20.000 Hochschulabsolventen aufgenommen und plant für dieses Jahr bis zu 25.000, weil, in den Worten seiner Personalchefin, die Jüngsten eine Vertrautheit mit den Werkzeugen mitbringen, die den erfahrenen Ebenen oft fehlt, und EY ersetzt sein achtwöchiges Praktikum von 2028 an durch eine bezahlte Lernphase von bis zu einem Jahr. Die ausgedünnte Juniorbasis und der steigende Preis erfahrener Leute holen alle anderen später ein.

In Europa ist der Einbruch bisher nur in der Schweiz messbar, was Schutz oder Verzögerung bedeuten kann. Für den deutschsprachigen Raum kehrt sich die Frage damit um. Allein in Deutschland erreichen bis 2040 rund 13,3 Millionen Erwerbspersonen das Rentenalter, 30 Prozent der Erwerbsbevölkerung. Österreich fehlen bis 2035 rund 246.000 Arbeitskräfte. Eine Region in dieser Lage hat kein Jobkiller-Problem. Sie hat ein Problem mit Unternehmen, die aufhören, die Leute einzustellen, die 2032 ihre Erfahrenen sein sollen, und sie hat dieses Problem, während in Österreich nur 0,8 Prozent der Stellenausschreibungen überhaupt KI-Fähigkeiten verlangen, der drittletzte Platz unter 22 gemessenen Ländern.

Was der Einzelne gewinnt, kommt in der Organisation nicht an

Die dritte Kraft ist die folgenreichste, und sie ist unsichtbar, weil sie sich nicht in eine Pressemitteilung pressen lässt. Die weltweite Unternehmensbefragung von McKinsey hat in diesem Jahr ergeben, dass 80 Prozent der Befragten von eigenen Produktivitätsgewinnen durch die Technologie berichten. 37 Prozent sehen überhaupt irgendeinen Wert im Betriebsergebnis ihres Unternehmens, unverändert gegenüber dem Vorjahr. Nur rund 6 Prozent haben einen messbaren Ergebnisbeitrag von mindestens 5 Prozent, und diese 6 Prozent stecken in den 37. Ein Jahr breiterer Einführung, in dem inzwischen 44 Prozent der Unternehmen die Technologie unternehmensweit in die Fläche bringen, hat den Abstand zwischen Pilot und Produktivbetrieb nicht verkleinert.

Die kleine Gruppe, die dort ankommt, unterscheidet sich in einem Punkt von allen anderen. Knapp drei Viertel von ihnen haben ihre Arbeitsabläufe wegen der Technologie von Grund auf neu gebaut, gegenüber einem Viertel aller übrigen Befragten. Effizienz verfolgen sie nicht öfter als der Rest. Der Unterschied ist, dass sie zusätzlich auf Wachstum und Innovation zielen. Die Technologie ist für alle dieselbe. Die Organisation um sie herum ist es nicht.

Eine Befragung eines Softwareanbieters, und man sollte sie als solche lesen, liefert den Teil, den die Aufsichtsräte noch nicht auf dem Radar haben. Unter den Entscheidern, deren Organisationen am Anfang stehen und die die Technologie als persönlichen Denkpartner nutzen, räumen 48 Prozent ein, dass ihr Unternehmen schneller investiert, als die Belegschaft lernen kann. Unter denen, die am weitesten sind und die Maschine selbständig in ihren Abläufen arbeiten lassen, sind es 68 Prozent. Die Lernlücke schließt sich nicht mit wachsender Reife, sie öffnet sich weiter. Der Engpass war nie das Modell. Es ist das Tempo, in dem eine Organisation das Wissen aufbaut, um die Technologie zu nutzen, und dieses Tempo bestimmen Menschen, die eingestellt, ausgebildet und mit Befugnissen ausgestattet wurden, nicht die nächste Modellversion.

Die Uhr, die zählt, läuft in Jahren

Legt man die drei Kräfte auf eine Zeitachse, löst sich die Verwirrung auf. Das KI-Argument läuft in Quartalen, es ist eine kurze, laute Episode, die jetzt ihren Höhepunkt hat und verklingen wird, wenn der Restrukturierungszyklus seine Arbeit getan hat. Die Karrierelücke läuft in Jahren, sie hat im Frühjahr 2022 mit der Zinswende begonnen, ein halbes Jahr vor ChatGPT, und sie ist heute am tiefsten. Der lange Umbau läuft in einem Jahrzehnt, und 2026 ist seine Kurve noch flach. Carlota Perez hat diese Form 2002 beschrieben: Jede technologische Revolution hat eine Installationsphase, die das Finanzkapital treibt, Blasen inklusive, und eine Ausbreitungsphase, in der die Gewinne erst ankommen, wenn Institutionen, Arbeitsweisen und Fähigkeiten sich angepasst haben. Der Jobkiller gehört in die erste Hälfte dieser Geschichte. Die Fragen, die entscheiden, wer gewinnt, gehören in die zweite.

Deshalb schließt der Report mit neun Prognosen für 2027, jede mit der Messgröße, an der sie geprüft wird, und deshalb werde ich sie im nächsten Jahr öffentlich benoten, meine eigenen und die datierten Vorhersagen der Anbieter, Marktforscher und Forscher. Eine davon lautet: Das KI-Argument kommt 2027 im deutschsprachigen Raum nicht an. Kein Unternehmen in Deutschland, Österreich oder der Schweiz mit mehr als 10.000 Beschäftigten wird einen Abbau von mehr als 1.000 Stellen in erster Linie mit künstlicher Intelligenz begründen, denn wo ein Abbau mit dem Betriebsrat verhandelt und in einem Sozialplan bepreist werden muss, ist die Technologie eine schlechte Begründung. Sie lädt zu der Frage ein, welche Aufgabe die Maschine denn tatsächlich übernommen hat.

Die Entscheidung, die das den Eigentümern und Aufsichtsräten in die Hand legt, lautet nicht, ob sie die Technologie kaufen. Das haben fast alle schon getan. Sie lautet, ob die Organisation um sie herum neu gebaut wird, angefangen bei den Menschen, die sie lernen sollen, und zwar in dem Tempo, in dem die Anbieter bereits liefern. Wer abwartet, wird in ein paar Jahren feststellen, dass der Umbau längst im Gang war, in anderen Unternehmen, und er es nicht kommen sah.

Der Report hat 121 Seiten und 141 geprüfte Quellen, er ist eigenfinanziert, an keinen Anbieter gebunden und steht kostenlos auf workafterai.org.

Report herunterladen: Work After AI 2026, Fassung 1.2, PDF, 121 Seiten

Diese Ausgabe ist am 16. September 2026 als Fassung 1.0 erschienen, am 18. September folgte die Fassung 1.1: Sie stellt den Gender Gap bei generativer KI auf die Eurostat-Statistik 2025 um, nach der Männer in Deutschland die Werkzeuge im Beruf um 29 Prozent häufiger nutzen als Frauen, während bei den 16- bis 24-Jährigen die Frauen vorn liegen, und sie ergänzt dazu eine neunte Prognose. Seit dem 24. September liegt die Fassung 1.2 vor, mit sechs weiteren Quellen, darunter die erste deutsche Zeitreihe zum Einstiegsstellenmarkt vom Indeed Hiring Lab, und ohne die Einschätzungen aus meinen Arbeitsgesprächen, weil sich diese von außen nicht prüfen lassen. Der Report läuft auf drei Ebenen. Die Ausgabe erscheint jedes Jahr im Herbst und benotet die Prognosen des Vorjahres. Innerhalb der Ausgabe folgen Fassungen im Abstand von etwa einem Quartal, jede mit Datum, Versionsnummer und eigener dauerhafter Kennung (DOI), damit jedes Zitat auf einem festen Stand steht; für 2026 sind das noch die Fassung 1.3 Anfang November und die Abschlussfassung 1.4 zum 31. Dezember. Zwischen den Fassungen erscheinen hier Analysen, die jeweils sagen, welchen Kernbefund sie bestätigen oder verschieben. Jede Änderung steht mit Datum im Versionsverlauf, und ich erkläre sie hier.

Seit der Fassung 1.2 erscheint der Report außerdem in der Form, in der Sprachmodelle und Agenten ihn lesen: als Textfassung mit einer festen Kennung je Kernbefund, Prognose und Quelle, als Datendateien und als Skill-Paket, das sich in Claude, ChatGPT oder Copilot laden lässt, damit der Assistent mit dem Report arbeitet, statt ihn nur zusammenzufassen; was es gibt und wie man es lädt, steht auf der Seite Der Report für Maschinen. Wer den Report zitiert, ob Mensch oder Maschine, nennt Fassung, Kennung und DOI. Ein Report über eine Entwicklung, die in Jahren läuft, sollte nicht einmal im Jahr erscheinen und danach zwölf Monate unverändert bleiben.

Gerhard Kürner ist Autor von Work After AI, CEO von 506.ai und Co-Founder von Choose European.