Zum Inhalt springen

Geprüfte Ausgabe · qasb-Bericht 10/2026 · Themenbericht · Arbeit

KI und Arbeit: Hinweise auf schwächere Einstiegschancen

Bei Jüngeren und bei Einstellungen in KI-exponierten Berufen finden meist beschreibende Studien aus Deutschland, Frankreich und Dänemark ungünstigere Verläufe. Einen breiten Beschäftigungseinbruch zeigt die Oktober-Evidenz nicht.

Veröffentlicht
27. Oktober 2026 · Stand 26. Oktober
Lesezeit
11 Min.
Herausgeber
qasb Research
Methodik
qasb Methodik v1

Kernbefunde

  1. −3,8 %20- bis 29-Jährige in Vollzeit in stark KI-exponierten Berufen, Deutschland 2025 zu 2022 (weniger exponiert −2,6 %).8Evidenztyp: beobachtet
  2. rund −28 %Unbefristete Einstellungen 21- bis 29-Jähriger, am stärksten KI-exponierte Berufe in Frankreich, März 2026 zu Nov. 2022.3Evidenztyp: beobachtet
  3. −25 %Beschäftigung in KI-exponierten Berufen dänischer Firmen mit erster KI-Nutzung 2023, Ende 2025 gegenüber eigenem Trend.19Evidenztyp: beobachtet
  4. 41 %der Betriebe mit der höchsten beruflichen KI-Betroffenheit in Deutschland nutzten im zweiten Halbjahr 2025 KI.9Evidenztyp: beobachtet

1.0Zusammenfassung

Bei Jüngeren in stark KI-exponierten Berufen entwickelten sich in Deutschland die Vollzeitbeschäftigung und in Frankreich die unbefristeten Einstellungen ungünstiger als in weniger exponierten. Beide Befunde sind beschreibend. US-Absolventendaten und britische Firmenangaben zeigen kaum Effekte.

  • KI-einführende Konzerne verschoben ihre Belegschaft zu Senior-Positionen. Dänische Firmen mit erster KI-Nutzung 2023 stellten weniger ein als im Trend, ohne mehr zu entlassen.
  • Experimente, teils von KI-Anbietern durchgeführt oder mitfinanziert, zeigen Leistungsgewinne bei IT-Auszubildenden und Patentanwälten. Lehrer in Lima sparten keine messbare Zeit.
  • Befragungen verbinden KI-Nutzung mit besseren Arbeitsplätzen, mehr Verantwortung und häufigerem Einsamkeitsempfinden, ohne Ursache und Wirkung zu klären.
  • Kausale Belege zu Löhnen und Gesundheit fehlen, ebenso Oktober-Studien zu Sozialpartnern, Gesundheitswesen, Kreativwirtschaft und Kundenservice.

2.0Ausgangslage: Nutzung und Messung

Vor den Arbeitsmarktdaten fragt dieses Kapitel, wer KI bei der Arbeit tatsächlich nutzt und wie verlässlich Berufskennzahlen aus Modellurteilen sind. Es stützt sich auf eine EU-weite Befragung von Beschäftigten, eine Betriebsbefragung in Deutschland und ein Audit von Sprachmodell-Bewertern. Alle drei beschreiben Verteilungen oder Messgüte, keine Wirkung von KI.

Abbildung 1

KI-Nutzung bei der Arbeit nach Arbeitsplatzqualität

Anteil der Beschäftigten in der EU mit KI-Nutzung bei der Arbeit, AIM-WORK-Befragung 2024–2025

Querschnittsdaten der AIM-WORK-Befragung: Sie zeigen, wie die Nutzung verteilt ist, keine Wirkung von KI auf die Arbeitsqualität. Erfasst ist die bewusste Nutzung von KI-Werkzeugen, vor allem Chatbots. Die Stichprobengröße nennt die Quelle nicht.Evidenztyp: beobachtet · Quellen 13

In der EU nutzten laut AIM-WORK-Befragung 2024–2025 29,9 % der Beschäftigten KI bei der Arbeit; in Arbeitsplätzen besserer Qualität waren es 35,3 %, in Arbeitsplätzen mit niedrigerem Verdienst und geringerer Sicherheit 16,9 %. Wöchentlich nutzten 12,7 % gegenüber 7,2 % KI.13A1

In Deutschland nutzten im zweiten Halbjahr 2025 41 % der Betriebe mit der höchsten beruflichen KI-Betroffenheit KI, gegenüber 13 % bei geringster Betroffenheit; von den Betrieben der am stärksten betroffenen Gruppe, die KI weder nutzten noch planten, sahen dennoch 85 % keine Anwendungsmöglichkeit, kaum weniger als bei geringster Betroffenheit (91 %).9A2

Weitere Befunde

  • Je nach Sprachmodell-Bewerter galten 3,0 % bis 97,9 % derselben KI-Antworten als akzeptabel, für Beschäftigte des jeweiligen Berufs 61,1 %.14A3

3.0Einstieg: Hinweise auf schwächere Chancen

Ob KI den Berufseinstieg erschwert, prüfen Studien auf verschiedenen Wegen: mit Beschäftigungs- und Einstellungsdaten junger Menschen nach KI-Exposition ihres Berufs in Deutschland und Frankreich, mit Online-Profilen von Auslandstöchtern in 41 Ländern und mit dänischen Registerdaten zu Firmen, die KI nutzen.

Abbildung 2

Vollzeitbeschäftigung nach KI-Exposition in Deutschland

Veränderung 2025 gegenüber 2022, 20- bis 29-Jährige und alle Altersgruppen

Unbereinigte Veränderungen ohne Unsicherheitsangabe. Für alle Altersgruppen nennt die Quelle Näherungen (rund 1 % mehr, gut 3 % weniger). Bereinigt um Homeoffice-Eignung und Konjunkturanfälligkeit ist der Zusammenhang bei 20- bis 29-Jährigen nicht signifikant.Evidenztyp: beobachtet · Quellen 8

In Deutschland lag die Vollzeitbeschäftigung der 20- bis 29-Jährigen 2025 in stark KI-exponierten Berufen um 3,8 % unter dem Niveau von 2022, in weniger exponierten Berufen um 2,6 %; über alle Altersgruppen lag die Beschäftigung in den am stärksten exponierten Berufsgruppen dagegen rund 1 % über und in den weniger exponierten gut 3 % unter dem Stand von 2022.8A4

In Frankreich lagen die unbefristeten Einstellungen (CDI) von 21- bis 29-Jährigen im März 2026 in den am stärksten gegenüber generativer KI exponierten Berufen rund 28 % unter dem Niveau vom November 2022, in den am wenigsten exponierten rund 8 %; auch die Vertragsenden gingen dort stärker zurück (rund 23 % gegenüber 6 %).3A5

In dänischen Unternehmen, die 2023 erstmals KI nutzten, entstand der Beschäftigungsrückstand bis Ende 2025 über weniger Einstellungen statt über Entlassungen und konzentrierte sich auf KI-exponierte Berufe (25 % unter Trend gegenüber 7 % in anderen Berufen); die Löhne reagierten nicht.19A6

Weitere Befunde

  • In Auslandstöchtern KI einführender Konzerne lag der Junior-Anteil 1,9 Prozentpunkte unter Kontrolltöchtern, vor allem durch Senior-Zuwachs.18A7

4.0Arbeitsmarktdaten: bislang kein breiter Einbruch erkennbar

Weitere Daten aus den USA, dem Vereinigten Königreich und fünf Ländern Ostasiens und des Pazifiks erfassen Arbeitslosigkeit, Unternehmensangaben und Stellenanzeigen, die Anzeigen aus Ostasien allerdings nur bis Mitte 2025. Hinzu kommen qualitative Berichte nicht zufällig ausgewählter Kontakte an die US-Notenbank.

Abbildung 3

Arbeitslosigkeit junger US-Bachelorabsolventen im Sommer

22 bis 25 Jahre, nicht mehr eingeschrieben, Mittel Juni bis August, 2022 bis 2026

Nur USA. Gegenüber älteren Absolventen und jungen Menschen ohne Abschluss stieg die Quote 2026 nicht signifikant. Ein erweitertes Maß mit Nichterwerbspersonen mit Arbeitswunsch lag 2026 mit 10,4 % am höchsten der fünf Sommer, ebenfalls ohne signifikanten Anstieg.Evidenztyp: beobachtet · Quellen 4

Die Arbeitslosenquote junger US-Bachelorabsolventen (22–25 Jahre, nicht mehr eingeschrieben) lag im Sommer 2026 bei 7,3 % und damit im Bereich der Sommer 2022–2025; gegenüber älteren Absolventen und jungen Menschen ohne Studienabschluss stieg sie nicht signifikant.4A8

Von den britischen Unternehmen mit mindestens 10 Beschäftigten, die im September 2026 KI nutzten, gaben 6 % an, infolge der KI-Einführung weniger Personal zu haben, weniger als 1 % mehr Personal; 38 % von ihnen nannten Verwaltungs- und Bürotätigkeiten als am stärksten betroffen.5A9

Im Beige Book vom Oktober 2026 berichteten fünf der zwölf Fed-Distrikte, dass einige Unternehmen nach produktivitätssteigernden KI-Investitionen Personal über natürliche Fluktuation verringert, Einstellungen aufgeschoben oder weniger neue Stellen erwartet hätten; die Gesamtbeschäftigung blieb in den meisten Distrikten kaum verändert.10A10

Weitere Befunde

  • In fünf Ländern Ostasiens und des Pazifiks verliefen Stellenanzeigen stärker automatisierbarer Berufe seit ChatGPT nicht erkennbar anders.6A11
  • US-Industrieanzeigen mit KI-Anforderungen nannten rund 70 % höhere Löhne als alle Industrieanzeigen, ein unbereinigter Unterschied.17A12

5.0Tätigkeiten: mehr Leistung, Zeitersparnis offen

Drei randomisierte Experimente messen die Wirkung von KI: bei IT-Auszubildenden in Testaufgaben, bei Patentanwälten über drei Monate, bei Lehrern in Lima über acht Monate. Zwei Beobachtungsstudien bei Meta und in einem Konsumgüterkonzern ergänzen das Bild. Mögliche Interessenkonflikte: Google führte und finanzierte den Patentversuch, Microsoft kofinanzierte die Lima-Studie, die Meta-Studie ist hausintern.

Abbildung 4

Mehr erreichte Punkte mit ChatGPT im Feldexperiment

Plus gegenüber einer Kontrollgruppe ohne Internet, 673 IT-Auszubildende im letzten Ausbildungsjahr

Gerundete Werte. Die Kontrollgruppe ohne Internet erreichte bei der zweiten Aufgabe jenseits des Lehrplans 42,3 % der erreichbaren Punkte. Die Autoren halten eine Überschätzung gegenüber üblichen Arbeitsbedingungen für möglich. Testaufgaben statt betrieblicher Arbeit.Evidenztyp: beobachtet · Quellen 1

In einem präregistrierten Feldexperiment mit 673 IT-Auszubildenden im letzten Ausbildungsjahr erhöhte der Zugang zu ChatGPT gegenüber einer Kontrollgruppe ohne Internet den Anteil erreichter Punkte bei zwei Aufgaben jenseits des Ausbildungsrahmens um rund 26 und 31 Prozentpunkte, bei der Aufgabe innerhalb des Lehrplans um rund 44 Prozentpunkte.1A13

In einem präregistrierten dreimonatigen Feldexperiment mit 133 Patentanwälten aus elf US-Kanzleien steigerte ein KI-Entwurfsassistent die verblindet bewertete Qualität von Patententwürfen um 0,34 Standardabweichungen nach 10 und um 0,38 nach 90 Tagen; in einer anschließenden Prüfaufgabe ohne KI schnitten nur erfahrene Anwälte (ab sieben Berufsjahren) besser ab als die Kontrollgruppe, Berufseinsteiger im Mittel nicht.16A14

Ein Programm aus Schulung, KI-Lizenz und Begleitung sparte Lehrern in Lima bei keiner von sieben Kernaufgaben messbar Zeit.

In einem randomisierten Versuch mit 1.269 Lehrern der sechsten Klasse in Lima sparte ein Programm aus eintägiger Schulung, KI-Lizenz und acht Monaten Begleitung bei keiner von sieben Kernaufgaben messbar Zeit; die Lehrer schrieben aber blind bewertet bessere Prompts und hielten eine mangelhafte KI-Ausgabe seltener für gut.2A15

Weitere Befunde

  • Bei Meta ging mehr KI-Code kontextbereinigt nicht mit mehr Störungen einher, landete aber überproportional in weniger zentralem Code.7A16
  • Copilot-Nutzer eines Konzerns legten in den ersten drei Monaten gegenüber Nichtnutzern rund 1,4 Stunden Kollaborationszeit im Monat zu.12A17

6.0Arbeitsbedingungen: Regeln, Algorithmen, Wohlbefinden

Das Kapitel verbindet die Rechtslage, die Fristen der KI-Verordnung für Beschäftigungssysteme, mit Befragungen von Beschäftigten in den USA und der EU sowie von Plattformbeschäftigten in Phnom Penh. Diese erfassen Verbreitung, Selbsteinschätzungen und Zusammenhänge, keine gemessenen Wirkungen. Algorithmisches Management umfasst auch Systeme ohne KI, die Befragung in Phnom Penh misst keinen KI-Einsatz.

Abbildung 5

KI-Verordnung: Fristen für Beschäftigungssysteme

Änderungsverordnung (EU) 2026/1744 und Geltungsbeginn der Hochrisiko-Pflichten

  1. 8. Juli 2026Änderungsverordnung 2026/1744Die Verordnung (EU) 2026/1744 vom 8. Juli 2026 verschiebt die Hochrisiko-Pflichten für Beschäftigungssysteme. Zur KI-Kompetenz (Art. 4) verlangt sie Maßnahmen, kein bestimmtes Niveau.
  2. 2. Aug. 2026Bisheriger TerminBisher geplanter Beginn der Hochrisiko-Pflichten für Beschäftigungssysteme, durch die Änderung verschoben.
  3. 2. Dez. 2027Hochrisiko-Pflichten geltenPflichten für Beschäftigungssysteme nach Anhang III, etwa zur Bewerberauswahl oder Leistungsüberwachung, einschließlich der Information von Arbeitnehmervertretern und Betroffenen vor dem Einsatz.
Rechtslage, keine Wirkungsmessung. Die Informationspflicht richtet sich nach Unions- und nationalem Recht zur Unterrichtung der Beschäftigten, nationale Mitbestimmungsregeln wurden nicht geprüft. Älter als der Berichtszeitraum und nur als Kontext aufgenommen.Evidenztyp: beobachtet · Quellen 21–22

Älterer Rechtskontext (Juli 2026): Seit der Verordnung (EU) 2026/1744 gelten die Hochrisiko-Pflichten der KI-Verordnung für Beschäftigungssysteme nach Anhang III, etwa zur Bewerberauswahl, Aufgabenzuteilung oder Leistungsüberwachung, einschließlich der Pflicht von Arbeitgebern als Betreibern, Arbeitnehmervertreter und Betroffene vor dem Einsatz zu informieren, erst ab 2. Dezember 2027 statt ab 2. August 2026. Die Pflicht zur KI-Kompetenz (Art. 4) verlangt nun Maßnahmen zu ihrer Förderung, aber kein bestimmtes Kompetenzniveau.21,22A18

Von den US-Beschäftigten, die KI in ihrer Tätigkeit genutzt hatten, gaben 63 % an, Aufgaben schneller zu erledigen, und 46 %, bessere Arbeit zu leisten; 31 % sagten, ihre KI-Nutzung habe dazu geführt, dass ihr Arbeitgeber sie gebeten habe, mehr Verantwortung zu übernehmen. Von allen Beschäftigten hatten 52 % nach eigener Angabe weniger Einfluss auf die Einführung neuer Technik, als sie sich wünschen.11A19

Rund 40 % der Beschäftigten in der EU erhielten laut AIM-WORK-Befragung in allen drei Clustern der Arbeitsplatzqualität Arbeitsanweisungen von Algorithmen; algorithmische Bewertung, etwa automatische Belohnung, Vergleiche oder Aufgabenzuteilung nach Kundenbewertungen, betraf 28,2 % im EU-Durchschnitt und 31,9 % in Arbeitsplätzen mit atypischen und längeren Arbeitszeiten.13A20

Weitere Befunde

  • Bei erwerbstätigen US-Erwachsenen ging stärkere KI-Nutzung mit etwas höherer Lebenszufriedenheit und häufigerem Einsamkeitsempfinden einher.20A21
  • Junge Plattformfahrer in Phnom Penh arbeiteten mit Wartezeit im Mittel 11 bis 11,6 Stunden am Tag, KI-Einsatz misst die ILO-Befragung nicht.15A22

7.0Evidenzlage

Nicht jede Aussage dieses Berichts ist gleich gut belegt. Die Tabelle zeigt die zentralen Aussagen mit Evidenztyp, KI-Bezug und Quellen.

AussageEvidenztypKI-BezugQuellen
41 % der Betriebe mit der höchsten beruflichen KI-Betroffenheit in Deutschland nutzten im zweiten Halbjahr 2025 KIbeobachtetnicht ausgewiesen9
−3,8 %: 20- bis 29-Jährige in Vollzeit in stark KI-exponierten Berufen, Deutschland 2025 zu 2022 (weniger exponiert −2,6 %)beobachtetnicht ausgewiesen8
rund −28 %: Unbefristete Einstellungen 21- bis 29-Jähriger, am stärksten KI-exponierte Berufe in Frankreich, März 2026 zu Nov. 2022beobachtetnicht ausgewiesen3
−25 %: Beschäftigung in KI-exponierten Berufen dänischer Firmen mit erster KI-Nutzung 2023, Ende 2025 gegenüber eigenem Trendbeobachtetnicht ausgewiesen19
Junge US-Bachelorabsolventen im Sommer 2026: 7,3 % arbeitslos, im Bereich der Vorjahrebeobachtetnicht ausgewiesen4
IT-Auszubildende mit ChatGPT: rund 26 und 31 Prozentpunkte mehr jenseits des Lehrplansbeobachtetnicht ausgewiesen1
KI-Verordnung: Pflichten für Beschäftigungssysteme erst ab 2. Dezember 2027beobachtetnicht ausgewiesen21,22
Algorithmische Bewertung betraf 28,2 % der Beschäftigten in der EUbeobachtetnicht ausgewiesen13

Die 22 geprüften Aussagen aus 22 Originalquellen verteilen sich auf die Kapitel 2.0 (3), 3.0 (4), 4.0 (5), 5.0 (5) und 6.0 (5); alle sind als beobachtet eingestuft. „Nicht ausgewiesen“: Die Ausgabe bewertet den KI-Bezug dieser Aussagen nicht gesondert. Geltungsbereich und Grenzen jeder Aussage stehen im Anhang (A1 bis A22).

Originalquellen geprüft am 27. Oktober 2026.

8.0Was Organisationen jetzt tun können

  1. Einstiege im Blick behalten: Einstellungen und Beschäftigung von Berufseinsteigern in stark KI-exponierten Tätigkeiten getrennt auswerten. In den dänischen Daten entstand der Rückstand über weniger Einstellungen, nicht über Entlassungen.
  2. Kompetenzaufbau von Einsteigern beobachten: Ob sie mit KI-Unterstützung dauerhaft Fachkompetenz aufbauen, ist offen. Im Patentanwalts-Experiment zeigte die kleine Einsteigergruppe in einer Prüfaufgabe ohne KI im Mittel keinen Vorsprung vor der Kontrollgruppe.
  3. Wirkung im eigenen Betrieb messen statt voraussetzen: Die Experimente betreffen einzelne Berufe, Testaufgaben oder wenige Monate. Berufskennzahlen aus Sprachmodell-Urteilen hängen stark vom Bewertungsinstrument ab.
  4. Informieren und befähigen: KI-Kompetenz fördern (Art. 4 KI-Verordnung). Ab Dezember 2027 sind Arbeitnehmervertreter und Betroffene vor dem Einsatz von Beschäftigungssystemen nach Anhang III zu informieren. Nationale Mitbestimmungsregeln wurden nicht geprüft.

9.0Methodik und Grenzen

Berichtszeitraum: 1. Oktober 2026 bis zum Datenstand 26. Oktober 2026 um 13:00 Uhr MEZ (Berliner Zeit). Dieser Themenbericht erscheint vor Monatsende; Quellen, die danach erscheinen, folgen in der nächsten Ausgabe der Reihe. Zusammenstellung: 27. Oktober 2026 um 00:23 Uhr MEZ. Diese Ausgabe ist die erste Bestandsaufnahme. Die Quellen stammen aus unterschiedlichen Jahren; ihr Erscheinungsdatum ist kein Ereignis des Berichtsmonats. Es gibt keinen gemessenen Vergleich zu einer früheren Ausgabe.

Grundlage sind ausschließlich geprüfte öffentliche Originalquellen. Kundenunterhaltungen, private Akten und personenbezogene Kundenbewertungen sind keine Eingaben. Beobachtet, modellgeschätzt, Szenario und offen beschreiben die jeweilige Evidenz. Quellenwerte behalten ihre eigene Einheit und Vergleichsbasis; sie werden nicht zu einem Gesamtwert zusammengezogen.

Redaktionelle Freigabe: qasb-Redaktion · Freigabe: 27. Oktober 2026 um 00:25 Uhr MEZ. Die redaktionelle Darstellung ordnet die geprüften Aussagen und enthält keine Zahl, die nicht in ihnen steht. Freigabe der Darstellung: qasb-Redaktion · 27. Oktober 2026 um 14:27 Uhr MEZ.

Grenzen

  • Dieser Themenbericht umfasst einen Themenbereich: „Arbeit“. Er ist keine vollständige Erhebung aller Studien oder Vorfälle.
  • Ein enger Studienbefund ist keine Prognose für einen bestimmten Kunden, Beruf oder Sicherheitssystem.
  • Eine fehlende qualifizierte Aussage belegt keine fehlende Wirkung; Abruflücken werden gesondert ausgewiesen.
  • Dieser Bericht enthält keine illustrative Messreihe und keine erfundene Confidence-Einstufung.

10.0Quellen

  1. 1Task Expansion with Generative AI: Experimental Evidence on Middle-Skilled, Early-Career WorkersStanford Digital Economy Lab (Working Paper, zugleich IZA Discussion Paper 18999); Hanna Brosch, Christina Langer, Philipp Lergetporer, Sandra Mueller, Harald Pfeifer & Nele Tschöpe7. Oktober 2026digitaleconomy.stanford.edu/publication/task-expansion-with-generative-aiexperimental-evidence-on-middle-skilled-early-career-workers/
  2. 2Not Faster, but Better: Generative AI and Teacher Skill in Peru (Policy Research Working Paper 11476)Weltbank (Development Research Group / Education and Skills Global Department); Carla Z. Glave, Carolina Lopez, Ezequiel Molina & Román Andrés Zárate1. Oktober 2026documents1.worldbank.org/curated/en/099309210012625906/pdf/IDU-c261aadb-6c32-48af-a07c-9cff5e86c716.pdf
  3. 3Exposition des métiers à l’IA générative, adoption par les entreprises et dynamiques du marché du travail en France (LIFT Working Paper 2026-02)HEC Paris, Laboratoire LIFT; Marco Guido Palladino (Banque de France), Antonin Bergeaud, Antoine Bertheau (Banque de France), Simon Bunel & Oscar Degos8. Oktober 2026heclift.github.io/website/files/papers/LIFT_WP_2026-02.pdf
  4. 4The Early Impacts of AI on Employment among Recent College Graduates (NBER Working Paper 35796)National Bureau of Economic Research; Robert W. Fairlie & Jane Wu (University of California, Los Angeles)28. September 2026www.nber.org/papers/w35796
  5. 5Business insights and impact on the UK economy: 8 October 2026Office for National Statistics (ONS), Business Insights and Conditions Survey (BICS) Welle 1658. Oktober 2026www.ons.gov.uk/businessindustryandtrade/business/businessservices/bulletins/businessinsightsandimpactontheukeconomy/8october2026
  6. 6East Asia and Pacific Economic Update, October 2026: Riding the AI WaveWeltbank (World Bank Group)6. Oktober 2026documents1.worldbank.org/curated/en/099839510062630534/pdf/IDU-eaea19eb-317c-4a27-8332-d217283ebd7a.pdf
  7. 7A Preliminary Analysis of the Impact of AI Assisted/Generated Code on Quality, Centrality and Review Time at ScaleAudris Mockus, Peter C. Rigby, Don Stewart, Chandra Maddila & Nachiappan Nagappan (Meta Platforms; University of Tennessee; Concordia University); ESEM 2026, LIPIcs Bd. 394, Schloss Dagstuhl – Leibniz-Zentrum für Informatik5. Oktober 2026drops.dagstuhl.de/entities/document/10.4230/LIPIcs.ESEM.2026.93
  8. 8KI als Jobkiller für Berufseinsteiger? Entwarnung mit VorbehaltInstitut für Arbeitsmarkt- und Berufsforschung (IAB), IAB-Forum; Melanie Arntz, Michele Dinelli & Oliver Schlenker13. Oktober 2026iab-forum.de/ki-als-jobkiller-fuer-berufseinsteiger-entwarnung-mit-vorbehalt/
  9. 9Weshalb die meisten Betriebe Künstliche Intelligenz (noch) nicht nutzenInstitut für Arbeitsmarkt- und Berufsforschung (IAB), IAB-Forum; Christian Kagerl20. Oktober 2026iab-forum.de/weshalb-die-meisten-betriebe-kuenstliche-intelligenz-noch-nicht-nutzen/
  10. 10The Beige Book: Summary of Commentary on Current Economic Conditions by Federal Reserve District, October 2026Federal Reserve System (Board of Governors); erstellt bei der Federal Reserve Bank of Philadelphia14. Oktober 2026www.federalreserve.gov/monetarypolicy/files/BeigeBook_20261014.pdf
  11. 11AI Benefits at Work Unevenly DistributedGallup, Inc.; Jeffrey M. Jones (American Job Quality Study mit Jobs for the Future und The Families & Workers Fund)6. Oktober 2026news.gallup.com/poll/714602/benefits-work-unevenly-distributed.aspx
  12. 12The Effects of Generative AI on Collaboration and Social Networks Among Knowledge WorkersGiuseppe Soda, Alessandro Iorio & Leonardo Rizzo (Università Bocconi, SDA Bocconi); arXiv-Preprint 2610.32461v123. Oktober 2026arxiv.org/abs/2610.32461v1
  13. 13European employment and social outlook: annual review 2026, Chapter 2Europäische Kommission, Generaldirektion Beschäftigung, Soziales und Integration (DG EMPL); Daten der AIM-WORK-Befragung von DG EMPL und Gemeinsamer Forschungsstelle13. Oktober 2026ec.europa.eu/employment_social/employment_analysis/esde/2026/Chapter%202.html
  14. 14Right Order, Wrong Scale: Auditing LLM Judges for Occupational AI MeasurementHarry Lyu & Neil Thompson (Massachusetts Institute of Technology); arXiv-Preprint 2610.02492v11. Oktober 2026arxiv.org/abs/2610.02492v1
  15. 15Young digital platform workers in Cambodia: Evidence and insightsInternationale Arbeitsorganisation (ILO), Research Brief; Jong Eun Oh & Phu Huynh8. Oktober 2026www.ilo.org/sites/default/files/2026-10/26-001_Research%20Brief%20-%20Cambodia%20Youth%20DLP%20-%20Final.pdf
  16. 16Does AI Assistance Enhance or Erode Expertise? Evidence from a Three-Month Field Experiment in Patent Drafting (NBER Working Paper 35720)National Bureau of Economic Research; David Autor, Tanya Rodchenko, Josh Martin, Zanna Iscenko, Scott Strand, David Pearl & Melissa Ferere (Studie von Google durchgeführt und finanziert)7. September 2026www.nber.org/papers/w35720
  17. 17AI on the Factory Floor: Evidence from Manufacturing Job PostingsBoard of Governors of the Federal Reserve System, FEDS Notes; Maria D. Tito30. September 2026www.federalreserve.gov/econres/notes/feds-notes/ai-on-the-factory-floor-evidence-from-manufacturing-job-postings-20260930.html
  18. 18How Does AI Change Labor Demand? Evidence from 41 CountriesStanford Digital Economy Lab (Working Paper); Bharat Chandar (Stanford University) & Bouke Klein Teeselink (King’s College London)21. September 2026digitaleconomy.stanford.edu/publication/how-does-ai-change-labor-demand/
  19. 19AI Adoption and Firm Size: Employment Effects in Monthly Administrative Data (Working Paper No. 223)Danmarks Nationalbank; Simone Maria Bonin, Saman Darougheh & Andreas Kuchler16. September 2026www.nationalbanken.dk/en/news-and-knowledge/publications-and-speeches/working-paper/2026/ai-adoption-and-firm-size-employment-effects-in-monthly-administrative-data
  20. 20Associations of artificial intelligence use at work with psychological distress, loneliness, and life satisfaction among employed US adultsJemar R. Bather, Adolfo G. Cuevas, Melody S. Goodman & José A. Pagán (NYU School of Global Public Health); Preventive Medicine Reports (Elsevier)18. September 2026doi.org/10.1016/j.pmedr.2026.103640
  21. 21Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI)Europäisches Parlament und Rat der Europäischen Union; Amtsblatt der EU, Reihe L, 24.7.202624. Juli 2026eur-lex.europa.eu/eli/reg/2026/1744/oj
  22. 22Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act)Europäisches Parlament und Rat der Europäischen Union; Amtsblatt der EU, Reihe L, 12.7.202412. Juli 2024eur-lex.europa.eu/eli/reg/2024/1689/oj
Autoren, Nutzungsgrundlagen und Rechtebelege
  1. 1Stanford Digital Economy Lab (Working Paper, zugleich IZA Discussion Paper 18999); Hanna Brosch, Christina Langer, Philipp Lergetporer, Sandra Mueller, Harald Pfeifer & Nele Tschöpe · Nutzungsgrundlage: Alle Rechte vorbehalten (© Stanford University; Download laut Nutzungsbedingungen nur zur persönlichen, nichtkommerziellen Nutzung); nur eigene Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  2. 2Weltbank (Development Research Group / Education and Skills Global Department); Carla Z. Glave, Carolina Lopez, Ezequiel Molina & Román Andrés Zárate · Nutzungsgrundlage: Weltbank-Arbeitspapier ohne Creative-Commons-Angabe im Dokument (Lizenzfeld im Open Knowledge Repository beim Abruf nicht erreichbar); Nutzung gemäß Weltbank-Nutzungsbedingungen mit Namensnennung; nur eigene Tatsachenparaphrase und Link, keine Tabellen oder Abbildungen · Rechte- und Lizenzbeleg
  3. 3HEC Paris, Laboratoire LIFT; Marco Guido Palladino (Banque de France), Antonin Bergeaud, Antoine Bertheau (Banque de France), Simon Bunel & Oscar Degos · Nutzungsgrundlage: CC BY 4.0 (laut Dokument: Reproduktion mit Quellenangabe erlaubt); nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  4. 4National Bureau of Economic Research; Robert W. Fairlie & Jane Wu (University of California, Los Angeles) · Nutzungsgrundlage: Alle Rechte vorbehalten (© 2026 Robert W. Fairlie & Jane Wu); kurze Auszüge bis zwei Absätze mit vollständiger Quellenangabe erlaubt; hier nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  5. 5Office for National Statistics (ONS), Business Insights and Conditions Survey (BICS) Welle 165 · Nutzungsgrundlage: Open Government Licence v3.0; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  6. 6Weltbank (World Bank Group) · Nutzungsgrundlage: CC BY 3.0 IGO; eigene Paraphrase mit Quellenangabe, keine Abbildungen; Interpretation nicht von der Weltbank geprüft · Rechte- und Lizenzbeleg
  7. 7Audris Mockus, Peter C. Rigby, Don Stewart, Chandra Maddila & Nachiappan Nagappan (Meta Platforms; University of Tennessee; Concordia University); ESEM 2026, LIPIcs Bd. 394, Schloss Dagstuhl – Leibniz-Zentrum für Informatik · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  8. 8Institut für Arbeitsmarkt- und Berufsforschung (IAB), IAB-Forum; Melanie Arntz, Michele Dinelli & Oliver Schlenker · Nutzungsgrundlage: CC BY-SA 4.0 (laut Artikelseite); eigene Tatsachenparaphrase mit Quellenangabe und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  9. 9Institut für Arbeitsmarkt- und Berufsforschung (IAB), IAB-Forum; Christian Kagerl · Nutzungsgrundlage: CC BY-SA 4.0 (laut Artikelseite); eigene Tatsachenparaphrase mit Quellenangabe und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  10. 10Federal Reserve System (Board of Governors); erstellt bei der Federal Reserve Bank of Philadelphia · Nutzungsgrundlage: Gemeinfrei laut Website-Richtlinie des Federal Reserve Board (Quellenangabe erbeten); eigene Paraphrase mit Quellenangabe und Link, keine Abbildungen oder Fremddaten übernommen · Rechte- und Lizenzbeleg
  11. 11Gallup, Inc.; Jeffrey M. Jones (American Job Quality Study mit Jobs for the Future und The Families & Workers Fund) · Nutzungsgrundlage: Alle Rechte vorbehalten (© 2026 Gallup, Inc.); Zitieren einzelner Befunde mit Quellenangabe und Link zum Originalartikel laut Gallup-Permissions vorgesehen; keine fortlaufende Übernahme von Inhalten, keine Grafiken; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  12. 12Giuseppe Soda, Alessandro Iorio & Leonardo Rizzo (Università Bocconi, SDA Bocconi); arXiv-Preprint 2610.32461v1 · Nutzungsgrundlage: CC BY-NC-ND 4.0; nur eigene Paraphrase und Link, keine Abbildungen, keine Bearbeitung des Originals · Rechte- und Lizenzbeleg
  13. 13Europäische Kommission, Generaldirektion Beschäftigung, Soziales und Integration (DG EMPL); Daten der AIM-WORK-Befragung von DG EMPL und Gemeinsamer Forschungsstelle · Nutzungsgrundlage: Wiederverwendung nach Kommissionsbeschluss 2011/833/EU, Inhalte unter CC BY 4.0, sofern nicht anders angegeben; eigene Paraphrase mit Quellenangabe, keine Grafiken; die Kommission ist für diese Auswertung nicht verantwortlich · Rechte- und Lizenzbeleg
  14. 14Harry Lyu & Neil Thompson (Massachusetts Institute of Technology); arXiv-Preprint 2610.02492v1 · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  15. 15Internationale Arbeitsorganisation (ILO), Research Brief; Jong Eun Oh & Phu Huynh · Nutzungsgrundlage: CC BY 4.0 (© ILO 2026, laut Dokument); eigene Paraphrase mit Quellenangabe und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  16. 16National Bureau of Economic Research; David Autor, Tanya Rodchenko, Josh Martin, Zanna Iscenko, Scott Strand, David Pearl & Melissa Ferere (Studie von Google durchgeführt und finanziert) · Nutzungsgrundlage: Alle Rechte vorbehalten (© 2026 die Autoren); kurze Auszüge bis zwei Absätze mit vollständiger Quellenangabe erlaubt; hier nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  17. 17Board of Governors of the Federal Reserve System, FEDS Notes; Maria D. Tito · Nutzungsgrundlage: Gemeinfrei laut Website-Richtlinie des Federal Reserve Board (Quellenangabe erbeten); eigene Paraphrase mit Quellenangabe und Link, keine Abbildungen oder Fremddaten übernommen · Rechte- und Lizenzbeleg
  18. 18Stanford Digital Economy Lab (Working Paper); Bharat Chandar (Stanford University) & Bouke Klein Teeselink (King’s College London) · Nutzungsgrundlage: Alle Rechte vorbehalten (© Stanford University; Download laut Nutzungsbedingungen nur zur persönlichen, nichtkommerziellen Nutzung); nur eigene Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  19. 19Danmarks Nationalbank; Simone Maria Bonin, Saman Darougheh & Andreas Kuchler · Nutzungsgrundlage: Keine Lizenzangabe in Dokument und Publikationsseite gefunden; Urheberrecht bei Danmarks Nationalbank bzw. den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  20. 20Jemar R. Bather, Adolfo G. Cuevas, Melody S. Goodman & José A. Pagán (NYU School of Global Public Health); Preventive Medicine Reports (Elsevier) · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  21. 21Europäisches Parlament und Rat der Europäischen Union; Amtsblatt der EU, Reihe L, 24.7.2026 · Nutzungsgrundlage: Amtlicher Rechtsakt der EU; Wiederverwendung laut EUR-Lex-Rechtshinweis mit Quellenangabe gestattet (Beschluss 2011/833/EU); eigene Paraphrase und Link, verbindlich ist nur die im Amtsblatt veröffentlichte Fassung · Rechte- und Lizenzbeleg
  22. 22Europäisches Parlament und Rat der Europäischen Union; Amtsblatt der EU, Reihe L, 12.7.2024 · Nutzungsgrundlage: Amtlicher Rechtsakt der EU; Wiederverwendung laut EUR-Lex-Rechtshinweis mit Quellenangabe gestattet (Beschluss 2011/833/EU); eigene Paraphrase und Link, verbindlich ist nur die im Amtsblatt veröffentlichte Fassung · Rechte- und Lizenzbeleg

Zitiervorschlag

qasb Research (2026). KI und Arbeit: Hinweise auf schwächere Einstiegschancen. Themenbericht 10/2026, Datenstand 26. Oktober 2026. https://www.qasb.ai/reports/2026-10-arbeit

Anhang

Zu jeder Aussage: Evidenztyp, Änderungsstatus, Geltungsbereich und Grenzen, dazu Beobachtungszeitraum, Quellenwert, Vergleich und Unsicherheit, soweit die Quelle sie angibt. Die Texte sind die freigegebenen Angaben der Ausgabe, ebenso ihre Zusammenfassung.

Geltungsbereiche und Grenzen aller 22 Aussagen (A1–A22)

Zusammenfassung der Ausgabe

Die Oktober-Evidenz zeigt keinen breiten Beschäftigungseinbruch in KI-exponierten Berufen, aber mehrere überwiegend deskriptive Hinweise auf schwächere Einstiegschancen: In Deutschland entwickelte sich die Vollzeitbeschäftigung, in Frankreich die unbefristete Einstellung junger Menschen in stark exponierten Berufen ungünstiger, KI-einführende Konzerne verschoben ihre Belegschaft zu Senior-Positionen und dänische KI-Nutzer mit weniger als 100 Vollzeitstellen stellten weniger ein, während US-Absolventendaten und britische Unternehmensangaben kaum Effekte zeigen. Experimente zeigen Leistungsgewinne mit KI-Unterstützung bei IT-Auszubildenden und Patentanwälten, aber keine messbare Zeitersparnis bei Lehrern in Lima; ohne KI profitierten nur erfahrene Patentanwälte; Befragungen verbinden KI-Nutzung mit besseren Arbeitsplätzen, mehr Verantwortung und häufigerem Einsamkeitsempfinden, ohne Ursache und Wirkung zu klären. Es fehlen kausale Belege zu Löhnen und Gesundheit sowie Oktober-Studien zu Sozialpartnern, Gesundheitswesen, Kreativwirtschaft und Kundenservice; die Hochrisiko-Pflichten der KI-Verordnung für Beschäftigungssysteme gelten nach einer Änderung vom Juli 2026 erst ab Dezember 2027.

  1. A1Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 13

    Geltungsbereich
    Repräsentative Befragung von Beschäftigten in allen EU-Mitgliedstaaten (AIM-WORK, Generaldirektion Beschäftigung und Gemeinsame Forschungsstelle der Kommission, 2024–2025); Auswertung der Kommission nach drei Clustern der Arbeitsplatzqualität; erfasst wird die bewusste Nutzung von KI-Werkzeugen, vor allem Chatbots.
    Grenzen
    Querschnittsdaten; sie zeigen die Verteilung der Nutzung, keine Wirkung von KI auf die Arbeitsqualität. Mögliche Belastungen (kognitive Auslagerung, weniger Lerngelegenheiten für Berufseinsteiger) bespricht die Kommission im selben Kapitel überwiegend anhand fremder Studien; diese wurden hier nicht als eigener Befund übernommen. Stichprobengröße im Kapitel nicht genannt.
    Beobachtungszeitraum
    Feldzeit 2024 bis 2025
    Quellenwert
    35,3 Prozent der Beschäftigten in Arbeitsplätzen besserer Qualität mit KI-Nutzung bei der Arbeit
    Vergleichsbasis
    EU-Durchschnitt: 29,9 %
    Vergleich
    Niedrigerer Verdienst und geringere Sicherheit: 16,9 %; atypische und längere Arbeitszeiten: 19,3 %
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  2. A2Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 9

    Geltungsbereich
    IAB-Betriebspanel, Befragung im zweiten Halbjahr 2025, Betriebsangaben; berufliche KI-Betroffenheit aus dem Berufsmix der Betriebe Mitte 2022 nach Eloundou et al. (2024), gruppiert von geringster bis höchster Betroffenheit; rund zwei Drittel aller Betriebe nutzten und planten keine KI.
    Grenzen
    Selbstauskünfte der Betriebe; die Betroffenheit beschreibt das technische Potenzial des Berufsmixes, nicht die Eignung im einzelnen Betrieb. Laut Autor haben seit der Befragung agentische KI-Systeme das Einsatzspektrum erweitert, Einschätzungen können sich ändern. Stichprobengröße im Beitrag nicht genannt; IAB-Forum-Beitrag ohne Peer Review.
    Beobachtungszeitraum
    Zweites Halbjahr 2025
    Quellenwert
    41 Prozent der Betriebe mit der höchsten beruflichen KI-Betroffenheit, die KI nutzten
    Vergleichsbasis
    Betriebe mit der geringsten Betroffenheit: 13 %
    Vergleich
    Ohne erkennbare Anwendungsmöglichkeit unter den Betrieben ohne Nutzung und Planung: 85 % bei höchster, 91 % bei geringster Betroffenheit
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  3. A3Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 14

    Geltungsbereich
    Audit von 33 bestehenden Bewerter-Konfigurationen aus sechs Modellfamilien an 4.501 Testbewertungen; Referenz ist eine US-Befragung mit 45.796 Bewertungen von Teilnehmern mit Erfahrung im gewählten Beruf (Rekrutierung über Prolific); Akzeptanzschwelle 7 auf einer Neun-Punkte-Skala.
    Grenzen
    Nur englischsprachige Textantworten für US-Berufe; die Referenz stammt von Online-Befragten und ist nicht repräsentativ für alle Beschäftigten. Gemessen wird die Güte von Modellurteilen, nicht tatsächliche Automatisierung oder Beschäftigungswirkung. Preprint im Begutachtungsverfahren.
    Beobachtungszeitraum
    Befragungsdatenstand 18. August 2026
    Quellenwert
    61,1 Prozent der KI-Antworten, die Beschäftigte des jeweiligen Berufs als akzeptabel bewerten
    Vergleichsbasis
    Urteil der Beschäftigten (Schwelle 7 von 9)
    Vergleich
    Sprachmodell-Bewerter: 3,0 % bis 97,9 % (Median 43,9 %)
    Unsicherheit
    Für diese Anteile keine Unsicherheitsangabe in der Quelle

  4. A4Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 8

    Geltungsbereich
    Monatliche Beschäftigungsdaten der Bundesagentur für Arbeit, Januar 2021 bis Dezember 2025; im Mittel rund 22,3 Mio. sozialversicherungspflichtig Vollzeitbeschäftigte von 20 bis 64 Jahren (ohne Beamte, Selbstständige, ausschließlich geringfügig Beschäftigte und Auszubildende); KI-Exposition nach Eloundou et al. (2024), übertragen auf Berufsgruppen der KldB 2010; Poisson-Regressionen zusätzlich mit Homeoffice-Eignung und Konjunkturanfälligkeit.
    Grenzen
    Die Autoren werten die Befunde als rein deskriptiv. Unter Berücksichtigung von Homeoffice-Eignung und Konjunkturanfälligkeit ist der negative Zusammenhang bei 20- bis 29-Jährigen nicht signifikant (2025 rund 1,8 % ungünstiger je Standardabweichung höherer Exposition), der Zusammenhang mit der Konjunkturschwäche ist mehr als doppelt so stark; signifikant negativ ist er nur im verarbeitenden Gewerbe und in nichtakademischen Berufen. Die Exposition misst Potenzial, nicht tatsächliche KI-Nutzung; IAB-Forum-Beitrag ohne Peer Review.
    Beobachtungszeitraum
    Januar 2021 bis Dezember 2025 (Jahresdurchschnitt 2025 gegenüber 2022)
    Quellenwert
    -3,8 Prozent Veränderung der Vollzeitbeschäftigung 20- bis 29-Jähriger in stark KI-exponierten Berufen, 2025 gegenüber 2022
    Vergleichsbasis
    Jahresdurchschnitt 2022
    Vergleich
    Weniger exponierte Berufe: −2,6 %
    Unsicherheit
    Für die unbereinigten Veränderungen keine Unsicherheitsangabe; der bereinigte Zusammenhang ist laut Quelle statistisch nicht signifikant

  5. A5Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 3

    Geltungsbereich
    Administrative Daten zu Arbeitskräftebewegungen (Dares, MMO) im französischen Privatsektor ohne Landwirtschaft, Leiharbeit und Privathaushalte, Januar 2019 bis März 2026; Expositionsindex aus über 1.500 Berufsbeschreibungen von France Travail, von einem Sprachmodell bewertet; ergänzend rund 6.000 Unternehmen mit Angaben zur KI-Nutzung Anfang 2026.
    Grenzen
    Deskriptive Analyse ohne kausalen Nachweis: Zinswende, Korrektur im IT-Sektor nach der Pandemie und weitere Faktoren betreffen dieselben Berufe. Der Index misst technisches Substitutions- bzw. Unterstützungspotenzial, nicht tatsächliche Nutzung. Unternehmen mit intensiver KI-Nutzung stellten relativ weniger junge Beschäftigte unbefristet ein, ihre Gesamtbeschäftigung wich aber nicht deutlich ab. Working Paper ohne Peer Review; das PDF nennt nur „Oktober 2026“, das Datum folgt der Begleitnotiz der Banque de France.
    Beobachtungszeitraum
    Januar 2019 bis März 2026 (Referenzmonat November 2022)
    Quellenwert
    -28 Prozent gegenüber November 2022 (CDI-Einstellungen der 21- bis 29-Jährigen im am stärksten exponierten Berufsquintil, saisonbereinigt und geglättet)
    Vergleichsbasis
    Niveau November 2022
    Vergleich
    Am wenigsten exponiertes Quintil: rund −8 %
    Unsicherheit
    Für diese deskriptiven Zeitreihen keine Unsicherheitsangabe in der Quelle

  6. A6Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 19

    Geltungsbereich
    IT-Nutzungserhebung von Statistics Denmark (rund 4.000 Unternehmen mit mindestens 10 Beschäftigten) verknüpft mit monatlichen Arbeitgeber-Arbeitnehmer-Registerdaten; Vergleich jeder Firma mit ihrem eigenen Beschäftigungstrend vor 2023; insgesamt blieben die Nutzer bis Ende 2025 rund 11 % hinter vergleichbaren Nichtnutzern zurück, getragen allein von Firmen mit weniger als 100 Vollzeitstellen; Arbeitspapier der Danmarks Nationalbank.
    Grenzen
    Die Autoren beanspruchen ausdrücklich keine kausalen Effekte, KI-Nutzung und Beschäftigung dürften gemeinsam von der Unternehmensstrategie bestimmt sein; sie verweisen zudem darauf, dass sich KI-exponierte Berufe schon vor ChatGPT verschlechterten. Gesamtwirtschaftlich bislang kaum sichtbar; mit jährlichen Bilanzdaten wären die Effekte nicht nachweisbar (Konfidenzband etwa −8 % bis +5 %). Working Paper ohne Peer Review.
    Beobachtungszeitraum
    2022 bis Ende 2025 (Einführungskohorte 2023)
    Quellenwert
    25 Prozent unter Trend bei der Beschäftigung in KI-exponierten Berufen der KI-Nutzer (Ende 2025)
    Vergleichsbasis
    Eigener Beschäftigungstrend vor 2023
    Vergleich
    Andere Berufe: 7 % unter Trend; alle Berufe zusammen: rund 11 % hinter vergleichbaren Nichtnutzern
    Unsicherheit
    Laut Quelle signifikant; Konfidenzintervalle nur in den Abbildungen

  7. A7Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 18

    Geltungsbereich
    Revelio-Labs-Daten mit 1,25 Mrd. Stellenanzeigen und 154 Mio. Beschäftigungsdatensätzen, monatliches Panel Januar 2021 bis März 2026; KI-Einführung aus Stellenanzeigen mit Bezug zu generativer KI abgeleitet; gematchte Kontrolltöchter im selben Land und Sektor, Instrument: KI-Einführung anderer Mutterkonzerne am Standort des Hauptsitzes.
    Grenzen
    Beruht auf Online-Profilen und Stellenanzeigen eines Datenanbieters, deren Abdeckung je Land variiert; die Identifikation setzt voraus, dass das Instrument nur über die KI-Einführung wirkt. Die Gesamtbeschäftigung stieg nur schwach signifikant (3,3 %); in Ländereinzelschätzungen war der Rückgang des Junior-Anteils nur in sieben von 31 Ländern signifikant. Working Paper ohne Peer Review.
    Beobachtungszeitraum
    Januar 2021 bis März 2026
    Quellenwert
    -1,9 Prozentpunkte Anteil von Junior-Positionen an der Beschäftigung (März 2026)
    Vergleichsbasis
    Vergleichbare Kontrolltöchter ohne KI-Einführung
    Vergleich
    Senior-Beschäftigung: +6,7 %; Junior-Beschäftigung: −2,5 % (nicht signifikant)
    Unsicherheit
    Konfidenzintervalle nur in den Abbildungen der Quelle, hier nicht übernommen

  8. A8Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 4

    Geltungsbereich
    Mikrodaten der Current Population Survey (CPS), Juni–August 2026 im Vergleich zu den Sommern 2022–2025; Differenz-in-Differenzen- und Event-Study-Modelle mit älteren Hochschulabsolventen (30–49 Jahre) und jungen Menschen ohne Abschluss als Vergleichsgruppen; nur USA.
    Grenzen
    Misst Arbeitslosigkeit, keine Einstellungen oder KI-Nutzung; kurzer Zeitraum. Ein erweitertes Maß einschließlich Nichterwerbspersonen mit Arbeitswunsch lag 2026 mit 10,4 % am höchsten der fünf Sommer, ein signifikanter Anstieg ergab sich aber auch dort nicht. Working Paper ohne Peer Review; Erstveröffentlichung laut NBER-Metadaten am 28. September 2026.
    Beobachtungszeitraum
    Juni–August 2026 (Vergleich: Sommer 2022–2025)
    Quellenwert
    7,3 Prozent Arbeitslosenquote (Mittel Juni–August 2026)
    Vergleichsbasis
    Sommer 2022: 7,1 %; 2023: 6,3 %; 2024: 7,8 %; 2025: 7,2 %
    Vergleich
    Ältere Hochschulabsolventen (30–49 Jahre): 2,8 % (Sommer 2025: 2,7 %)
    Unsicherheit
    Koeffizienten für Sommer 2026 in den DiD- und Event-Study-Modellen statistisch nicht signifikant

  9. A9Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 5

    Geltungsbereich
    Business Insights and Conditions Survey (BICS), Welle 165, Feldzeit 21.09.–04.10.2026, 9.933 Antworten (Rücklauf 25,7 %); gewichtete Angaben; Basis: KI-nutzende Unternehmen mit mindestens 10 Beschäftigten.
    Grenzen
    Selbstauskünfte der Unternehmen, keine gemessene Beschäftigungsänderung und kein Vergleich mit einem Verlauf ohne KI; amtliche Statistik in Entwicklung, freiwillige Befragung; die Anteile gelten nur für KI-nutzende Unternehmen. Die Nennung „am stärksten betroffen“ besagt nicht, dass dort Stellen abgebaut wurden.
    Beobachtungszeitraum
    September 2026 (Feldzeit 21.09.–04.10.2026)
    Quellenwert
    6 Prozent der KI-nutzenden Unternehmen mit mindestens 10 Beschäftigten
    Vergleichsbasis
    Alle KI-nutzenden Unternehmen mit mindestens 10 Beschäftigten
    Vergleich
    Weniger als 1 % berichteten mehr Personal infolge der KI-Einführung
    Unsicherheit
    Gewichtete Schätzung; im Bulletin-Text keine Konfidenzintervalle

  10. A10Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 10

    Geltungsbereich
    Qualitative Berichte von Unternehmen und anderen Kontakten der zwölf Federal Reserve Banks, gesammelt bis 5. Oktober 2026; in Distriktberichten u. a. Bankkontakte mit geringerem Personalbedarf durch Automatisierung und KI, IT-Personalvermittler mit weniger neu geschaffenen Stellen und ein Kontakt aus der Wirtschaftsprüfung, nach dessen Angabe große Prüfungsgesellschaften Verträge für Berufseinsteiger aufschieben.
    Grenzen
    Kontakte sind nicht zufällig ausgewählt; qualitative Einschätzungen ohne Zahl betroffener Stellen. Die Zusammenfassung nennt die fünf Distrikte nicht; IT-Personalvermittler berichteten ausdrücklich, KI verursache keine Entlassungen. Das Beige Book gibt nicht die Sicht der Fed-Führung wieder.
    Beobachtungszeitraum
    Informationen bis 5. Oktober 2026 (Veränderungen seit dem vorigen Bericht)
    Quellenwert
    5 Fed-Distrikte (von 12) mit Berichten über KI-bedingt weniger Personal, aufgeschobene Einstellungen oder geringeres erwartetes Stellenwachstum
    Vergleichsbasis
    Alle 12 Distrikte
    Vergleich
    Gesamtbeschäftigung: 3 Distrikte mäßige, 5 leichte Zunahme, 4 keine nennenswerte Veränderung
    Unsicherheit
    Qualitative Kontaktberichte, keine Unsicherheitsangabe

  11. A11Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 6

    Geltungsbereich
    Kambodscha, Malaysia, Mongolei, Philippinen und Thailand; Lightcast-Stellenanzeigen vom ersten Quartal 2018 bis zum zweiten Quartal 2025; Ereignisstudie relativ zum Quartal vor der ChatGPT-Veröffentlichung (drittes Quartal 2022), Berufe über gegenüber unter dem Median eines KI-Automatisierbarkeitsindex; Methode nach Huang et al. (2026).
    Grenzen
    Die Weltbank betont, dass die Schätzungen nicht kausal interpretiert werden können. Online-Stellenanzeigen decken nur einen Teil der Einstellungen ab, zumal bei großem informellem Sektor. Der Vergleichswert für Hocheinkommensländer (−5,8 %) stammt aus einer zitierten Studie und wurde hier nicht eigenständig geprüft.
    Beobachtungszeitraum
    1. Quartal 2018 bis 2. Quartal 2025

  12. A12Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 17

    Geltungsbereich
    Lightcast-Daten zu Online-Stellenanzeigen der US-Industrie mit Lohnangabe, Daten bis Juli 2026; KI-Fähigkeiten nach der Abgrenzung von Acemoglu et al. (2022); zuletzt verlangten 11 % der Industrieanzeigen KI-bezogene Fähigkeiten (alle Branchen 8 %); Produktionsberufe (SOC 51) gesondert.
    Grenzen
    Beschreibende, nicht bereinigte Lohnunterschiede; sie können laut Quelle Unterschiede bei Stellenart, Ort und Arbeitgeber widerspiegeln, und die kleine Zahl von KI-Anzeigen schwankt stark. Anzeigen zeigen geforderte, nicht tatsächlich vorhandene Fähigkeiten und nur online ausgeschriebene Stellen; FEDS Notes geben die Sicht der Autorin wieder.
    Beobachtungszeitraum
    Stichprobenzeitraum der Anzeigen bis Juli 2026
    Quellenwert
    70 Prozent höhere angegebene Löhne in Industrieanzeigen mit KI-Anforderungen gegenüber allen Industrieanzeigen (Mittel des Zeitraums)
    Vergleichsbasis
    Alle Online-Stellenanzeigen der US-Industrie
    Vergleich
    Produktionsberufe: rund 30 % seit 2023
    Unsicherheit
    Keine Unsicherheitsangabe; laut Quelle starke Schwankungen wegen kleiner Fallzahl

  13. A13Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 1

    Geltungsbereich
    Zwölf Berufsschulen in sechs deutschen Bundesländern; Fachinformatiker für Anwendungsentwicklung und Systemintegration; individuelle Zufallszuteilung zu ChatGPT Pro mit Internetzugang oder einer prüfungsähnlichen Bedingung ohne Internet; berufsspezifische Aufgaben während der Unterrichtszeit.
    Grenzen
    Verglichen wird mit einer Bedingung ohne Internet, nicht mit reiner Internetrecherche; die Autoren halten eine Überschätzung gegenüber üblichen Arbeitsbedingungen für möglich. Testaufgaben statt betrieblicher Arbeit; offene Antworten wurden von einem Sprachmodell nach festem Raster bewertet. Keine Aussage über Beschäftigung, Löhne oder langfristige Kompetenzentwicklung; Working Paper ohne Peer Review.
    Beobachtungszeitraum
    Oktober 2025 bis Januar 2026
    Quellenwert
    30,6 Prozentpunkte (Anteil erreichter Punkte, Aufgabe „Beyond 2“ jenseits des Lehrplans)
    Vergleichsbasis
    Kontrollgruppe ohne Internet: 42,3 % der erreichbaren Punkte
    Vergleich
    Gruppe mit ChatGPT-Zugang (Intention-to-treat, mit Kontrollvariablen)
    Unsicherheit
    Standardfehler 2,0 Prozentpunkte (heteroskedastie-robust); p < 0,01

  14. A14Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 16

    Geltungsbereich
    Zufallszuteilung des Zugangs zu einem eigens entwickelten KI-Assistenten, der nicht als eigenständiges Produkt veröffentlicht wurde; Benchmark-Entwurfsaufgaben nach 10 und 90 Tagen, danach Überarbeitung einer Patentanmeldung ohne KI; Bewertung durch verblindete erfahrene Patentanwälte; Studienzeitraum Mai 2025 bis Februar 2026.
    Grenzen
    Kleine Stichprobe, die Teilgruppe der Berufseinsteiger ist noch kleiner und die Schätzung daher unpräzise; die Kanzleien arbeiten für einen anspruchsvollen Auftraggeber und sind nicht repräsentativ. Keine Ausgangsmessung der Fähigkeiten, nur drei Monate. Die Studie wurde von Google durchgeführt und finanziert (möglicher Interessenkonflikt); Working Paper ohne Peer Review.
    Beobachtungszeitraum
    Mai 2025 bis Februar 2026
    Quellenwert
    0,38 Standardabweichungen höhere Qualität bei Benchmark-Entwurfsaufgaben nach 90 Tagen
    Vergleichsbasis
    Kontrollgruppe ohne KI-Assistent
    Vergleich
    Nach 10 Tagen: 0,34; Prüfaufgabe ohne KI: 0,32 insgesamt, 0,45 bei erfahrenen Anwälten
    Unsicherheit
    p = 0,01 (90 Tage), p = 0,03 (10 Tage)

  15. A15Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 2

    Geltungsbereich
    390 öffentliche Schulen in Lima-Metropole (196 Interventions-, 194 Kontrollschulen), Schuljahr 2025; Zeitverwendung aus einer Endline-Befragung (Antworten von 607 Lehrern), Promptqualität mit zwei Bewertungsrastern (562 Beobachtungen); Werkzeug: Microsoft Copilot.
    Grenzen
    Zeitangaben sind selbstberichtet (Dauer der jeweils letzten Ausführung) und liegen nur für knapp die Hälfte der Lehrer vor; keine Messung von Schülerleistungen. Die Studie wurde u. a. vom Microsoft AI Economy Institute finanziert, untersucht wurde Microsoft Copilot (möglicher Interessenkonflikt). Working Paper ohne Peer Review.
    Beobachtungszeitraum
    Schuljahr 2025 (rund 28 Wochen Programmlaufzeit; Endline-Befragung im Dezember 2025)
    Quellenwert
    0,375 Punkte auf einem 5-Punkte-Raster für Promptqualität (unabhängig von der Schulung entwickelt)
    Vergleichsbasis
    Kontrollgruppe: 3,374 Punkte
    Vergleich
    Interventionsgruppe (Intention-to-treat)
    Unsicherheit
    Standardfehler 0,086; p < 0,01

  16. A16Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 7

    Geltungsbereich
    Mehr als 10.000 Entwickler und rund 400.000 Code-Änderungen bei Meta; zeichengenaue Herkunftsverfolgung von Vorschlägen des Vervollständigungswerkzeugs CodeCompose bis zum übernommenen Code; rund zwei Monate Daten aus dem Frühjahr 2025; begutachteter Konferenzbeitrag (ESEM 2026).
    Grenzen
    Beobachtungsdaten ohne Zufallszuteilung; die Autoren warnen, dass naive Vergleiche den Einsatzkontext der KI zuschreiben, und werten die Zusammenhänge nicht als Beleg für einen kausalen Effekt. Herkunftsdaten lagen nur für rund die Hälfte der Änderungen im Zeitraum vor; nur vervollständigende KI vor agentischen Werkzeugen; ein Unternehmen. Die Autoren sind bei Meta beschäftigt und untersuchen ein hauseigenes Werkzeug (möglicher Interessenkonflikt).
    Beobachtungszeitraum
    Frühjahr 2025 (rund zwei Monate)

  17. A17Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 12

    Geltungsbereich
    Passiv erfasste Verhaltensdaten (Microsoft Viva Insights) von 11.868 Wissensarbeitern einer Geschäftseinheit, davon 1.992 Nutzer mit anhaltender Nutzung oberhalb einer Mindestschwelle, September 2024 bis September 2025; gestaffelte Differenz-in-Differenzen-Schätzung und Instrumentvariablen-Modelle.
    Grenzen
    Eine Geschäftseinheit eines Unternehmens; über alle Zeitpunkte und Kohorten gemittelt ist der Effekt auf die Kollaborationszeit nicht signifikant (0,95 Stunden; 95-%-Konfidenzintervall −0,19 bis 2,08). Gesprächsinhalte werden nicht beobachtet, Erklärungen wie Prüfung von KI-Ergebnissen, Gespräche über das Werkzeug oder genutzte Zeitersparnis bleiben offen; nur die ersten drei Monate; die Nutzung wurde nicht zufällig zugeteilt. Preprint ohne Peer Review.
    Beobachtungszeitraum
    September 2024 bis September 2025
    Quellenwert
    1,43 Stunden selbst initiierter Kollaborationszeit pro Monat (Mittel der ersten drei Monate nach Einführung)
    Vergleichsbasis
    Nichtnutzer derselben Geschäftseinheit (9.876 Beschäftigte)
    Vergleich
    Nutzer nach Einführung (gestaffelte Differenz-in-Differenzen-Schätzung)
    Unsicherheit
    95-%-Konfidenzintervall 0,45 bis 2,41 Stunden

  18. A18Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 21, 22

    Geltungsbereich
    Amtsblatttexte der Verordnung (EU) 2024/1689 (Art. 26 Abs. 7, Anhang III Nr. 4, Kapitel III Abschnitt 3) und der Änderungsverordnung (EU) 2026/1744 vom 8. Juli 2026 (neuer Art. 4, geänderter Art. 113); unmittelbar geltend in allen EU-Mitgliedstaaten.
    Grenzen
    Rechtslage, keine Wirkungsmessung; ob und wie Arbeitgeber KI-Kompetenz fördern und Beschäftigte informieren, ist nicht belegt. Die Informationspflicht richtet sich laut Verordnung nach Unions- und nationalem Recht zur Unterrichtung der Beschäftigten; nationale Mitbestimmungsregeln wurden hier nicht geprüft. Älter als der Berichtszeitraum und nur als Kontext aufgenommen.
    Beobachtungszeitraum
    Rechtsstand Oktober 2026 (Änderungsverordnung im Amtsblatt vom 24. Juli 2026)

  19. A19Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 11

    Geltungsbereich
    American Job Quality Study (zweites Jahr) von Gallup mit Jobs for the Future und The Families & Workers Fund; Web- und Papierbefragung vom 26. Januar bis 24. März 2026; 15.482 abhängig Beschäftigte von 18 bis 75 Jahren aus dem Gallup Panel und einer adressbasierten Zufallsstichprobe, gewichtet; Angaben zu Wirkungen von 7.845 Beschäftigten, die KI im vergangenen Jahr mindestens einige Male genutzt hatten.
    Grenzen
    Selbsteinschätzungen, keine gemessene Produktivität; laut Quelle könnten Arbeitgeber die Wirkungen anders bewerten. Mehr Verantwortung kann Aufwertung oder Arbeitsverdichtung bedeuten, die Befragung trennt das nicht. Häufige Nutzer haben öfter Arbeitsplätze guter Qualität (52 % gegenüber 32 % bei Nichtnutzern), Ursache und Wirkung bleiben offen. Der Artikel verweist inzwischen auf den vollständigen Bericht des zweiten Studienjahres; dieser wurde hier nicht geprüft.
    Beobachtungszeitraum
    26. Januar bis 24. März 2026
    Quellenwert
    63 Prozent der KI nutzenden US-Beschäftigten, die schnellere Aufgabenerledigung angeben
    Vergleichsbasis
    Alle Beschäftigten mit KI-Nutzung im vergangenen Jahr
    Vergleich
    Regelmäßige Nutzer: 79 %, unregelmäßige Nutzer: 38 %
    Unsicherheit
    Stichprobenfehler ±2 Prozentpunkte (95 % Konfidenz) für KI-Nutzer

  20. A20Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 13

    Geltungsbereich
    AIM-WORK-Befragung 2024–2025 in allen EU-Mitgliedstaaten, Auswertung der Kommission nach drei Clustern der Arbeitsplatzqualität; im Cluster mit atypischen Arbeitszeiten (u. a. Fahrer und Verkäufer) betraf algorithmische Bewertung in Spanien 48,3 % und in Portugal 47,4 %.
    Grenzen
    Querschnitt; algorithmisches Management umfasst auch Systeme ohne KI. Mögliche Zusammenhänge mit Stress, Arbeitstempo und geringerer Autonomie nennt die Kommission unter Verweis auf andere Studien, gemessen werden sie hier nicht. Plattformbeschäftigte werden nicht gesondert ausgewiesen.
    Beobachtungszeitraum
    Feldzeit 2024 bis 2025
    Quellenwert
    28,2 Prozent der Beschäftigten mit algorithmischer Bewertung (EU-Durchschnitt)
    Vergleichsbasis
    EU-Durchschnitt
    Vergleich
    Arbeitsplätze mit atypischen und längeren Arbeitszeiten: 31,9 %
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  21. A21Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 20

    Geltungsbereich
    Household Trends and Outlook Pulse Survey des U.S. Census Bureau, 13. bis 30. März 2026; 6.238 Erwerbstätige, hochgerechnet auf 152 Mio.; KI-Nutzung als Zahl von elf möglichen unterstützten Arbeitsaufgaben, standardisiert; Modelle bereinigt um Soziodemografie, Region, Beruf und Telearbeit.
    Grenzen
    Querschnitt, keine kausale Aussage; eine umgekehrte Wirkungsrichtung ist möglich, etwa wenn einsame Beschäftigte häufiger zu KI greifen. Selbstauskünfte; soziale Interaktion am Arbeitsplatz und Arbeitsintensität wurden nicht gemessen.
    Beobachtungszeitraum
    13. bis 30. März 2026
    Quellenwert
    1,13 adjustiertes Prävalenzverhältnis für Einsamkeitsempfinden je Standardabweichung stärkerer KI-Nutzung
    Vergleichsbasis
    Erwerbstätige mit um eine Standardabweichung geringerer KI-Nutzung (Modellvergleich)
    Vergleich
    Lebenszufriedenheit: +0,11 Standardabweichungen (95-%-Konfidenzintervall 0,06 bis 0,16)
    Unsicherheit
    95-%-Konfidenzintervall 1,02 bis 1,25

  22. A22Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 15

    Geltungsbereich
    Befragung im zweiten Halbjahr 2025 im Rahmen einer ILO-Diagnosestudie zu Arbeitsbedingungen und sozialer Sicherung in der Plattformarbeit; junge Beschäftigte stellten 42,9 % der Befragten und 75,7 % der Lieferfahrer.
    Grenzen
    Stichprobe laut ILO nicht national repräsentativ; Selbstauskünfte. Die Studie misst weder algorithmisches Management noch KI-Einsatz der Plattformen, sie beschreibt Arbeitsbedingungen app-basierter Plattformarbeit; keine Vergleichsgruppe außerhalb der Plattformarbeit.
    Beobachtungszeitraum
    Zweites Halbjahr 2025
    Quellenwert
    27,1 Prozent junger Plattformbeschäftigter mit berichtetem Arbeitsunfall
    Vergleichsbasis
    Ältere Plattformbeschäftigte (ab 31 Jahren): 19,3 %
    Vergleich
    Junge Lieferfahrer: 36,3 %
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

Und in deinem Fall? Prüf ihn mit Quellen.

Analyse startenFür Organisationen
Alle Berichte