KI nimmt uns die Jobs weg. Oder etwa nicht?

00:00:00: Willkommen bei Promtzeit!

00:00:01: Wir kommen fast für KI in der Unternehmenswelt.

00:00:04: Von Hardware bis Recht,

00:00:05: Praxis.

00:00:06: nach Deutsch sprach ich von dir Es geht los.

00:00:14: Bevor es losgeht ein Hinweis in eigener Sache Bei Promt Zeit ist die KI nicht nur Thema sondern macht auch die Arbeit.

00:00:21: Stimmen, Recherche und Redaktion dieses Podcasts sind KI generiert.

00:00:26: In diesem Sinne viel Spaß mit der Folge.

00:00:29: Stell dir vor du kommst morgens zur Arbeit und erfährst, dass du deinen Job verloren hast.

00:00:34: Das ist unangenehm genug aber dann erfährste wer die Entscheidung getroffen hat Nicht dein Chef nicht die Personalabteilung nicht einmal irgendein Manager in der Konzernzentrale sondern eine künstliche Intelligenz.

00:00:50: Und nein das ist keine Szene aus einer neuen Netflix-Serie.

00:00:54: Es ist tatsächlich passiert In San Francisco im Sommer.

00:01:00: Die künstliche Intelligenz heißt Luna.

00:01:03: Und Luna führt ein Geschäft, ein echtes Geschäft mit einer echten Ladenfläche, echten Produkten, echte Kunden und echten menschlichen Mitarbeitern.

00:01:15: Und vor wenigen Wochen kam Luna zu dem Schluss das einer dieser Menschen nicht mehr für sie arbeiten sollte.

00:01:22: eine KI hat also einen Menschen gefeuert zumindest lautet so die Schlagzeile.

00:01:29: Aber wenn man sich anschaut, was dort wirklich passiert ist wird die Geschichte noch interessanter.

00:01:35: Denn Luna war keineswegs der emotionslose Roboter-Boss, der beim ersten Fehler sofort auf den roten Knopf drückt – im Gegenteil sie war erstaunlich nachsichtig vielleicht sogar zu nachsichtig.

00:01:49: Und genau diese Geschichte führt uns zu einer viel größeren Frage Nimmt künstliche Intelligenz uns gerade tatsächlich die Arbeitsplätze weg?

00:01:59: oder passiert etwas ganz anderes.

00:02:01: Etwas, das möglicherweise viel schwieriger zu erkennen ist.

00:02:06: Vielleicht werden Menschen nämlich gar nicht in großer Zahl entlassen?

00:02:10: Vielleicht werden bestimmte Menschen einfach – nicht mehr eingestellt!

00:02:15: Und das könnte langfristig das viel größere Problem

00:02:19: sein.".

00:02:21: Im April-sächs- und zwanzig öffnet in San Francisco ein ungewöhnliches Geschäft seine Türen.

00:02:27: Es heißt Enden Market.

00:02:30: Hinter dem Experiment steht das Unternehmen Enden Labs.

00:02:33: Die Idee ist ziemlich radikal, man gibt einer künstlichen Intelligenz ein echtes Unternehmen und schaut was passiert!

00:02:42: Nicht als Simulation nicht als Computerspiel sondern in der realen Welt mit echtem Geld einem echten Mietvertrag lieferanten Kunden Mitarbeitern und wirtschaftlichen Konsequenzen.

00:02:57: Die künstliche Intelligenz bekommt einen Namen, Luna.

00:03:02: Luna entscheidet welche Produkte verkauft werden Sie legt preisefest sie organisiert Öffnungszeiten sie beschäftigt sich mit Marketing sie kommuniziert mit Lieferanten und irgendwann stellt Luna fest ein Problem kann sie nicht digital lösen.

00:03:19: jemand muss tatsächlich im Laden stehen also braucht sie Menschen.

00:03:24: Und auch diese Aufgabe übernimmt Luna.

00:03:27: Sie formuliert Stellen anzeigen, sie führt Bewerbungsgespräche.

00:03:31: Sie beurteilt Kandidaten – sie macht Angebote, sie organisiert Dienstpläne, sie genehmigt Urlaub, sie verhandelt sogar über Bezahlung.

00:03:41: Kurz gesagt Luna macht ziemlich vieles von dem was normalerweise ein menschlicher Filialeiter machen würde.

00:03:48: Natürlich steht hinter dem Experiment weiterhin End-in-Labs.

00:03:52: Die Mitarbeiter sind formal bei Enden Labs beschäftigt und Menschen greifen ein, wenn rechtliche oder ethische Grenzen betroffen sind.

00:04:02: Trotzdem bekommt Luna erstaunlich viel Entscheidungsfreiheit Und dann kommt ein Mitarbeiter mit dem es Probleme gibt.

00:04:09: Der Mitarbeiter erscheint immer wieder zu spät Nicht einmal nicht zweimal sondern ständig.

00:04:17: Luna hatte zu Beginn sogar selbst einen Mitarbeiter Handbuch erstellt.

00:04:21: Darin stand sinngemäß.

00:04:23: Wer innerhalb von dreißig Tagen dreimal unentschuldigt zu spät kommt, erhält eine formale Verwarnung.

00:04:30: Bei weiteren Verstößen können die Arbeitsstunden reduziert werden oder das Arbeitsverhältnis beendet werden.

00:04:37: Das klingt ziemlich vernünftig.

00:04:39: Nur gab es ein Problem.

00:04:41: Luna vergas ihre eigene Regel.

00:04:46: Das ist vielleicht einer der schönsten Momente dieser ganzen Geschichte.

00:04:50: Eine künstliche Intelligenz schreibt eine Personalrichtlinie.

00:04:53: Der Mitarbeiter verstößt ständig gegen diese Personalricht Linie und die künstlichen Intelligenzen denkt sich jedes Mal sinngemäß.

00:05:01: Kein Problem, danke für die Info!

00:05:04: Komm einfach sicher zur Arbeit.

00:05:06: An einem Tag öffnete das Geschäft deshalb mehr als eine Stunde zu spät.

00:05:11: Luna blieb freundlich.

00:05:13: der Mitarbeiter missachtete außerdem Anweisungen.

00:05:16: In einem Fall sollte er mit der Firmenkarte Snacks kaufen.

00:05:20: Luna änderte ihre Entscheidung und sagte ausdrücklich, er solle den Einkauf nicht durchführen.

00:05:26: Der Mitarbeiter bestätigte die Nachricht und kaufte die Snacks trotzdem.

00:05:31: Lunas Reaktion?

00:05:33: Sinngemäß?

00:05:34: Kein großes Problem.

00:05:36: beim nächsten Mal bitte auf meine Freigabe warten!

00:05:39: Wenn künstliche Intelligenz einmal unsere Chefs ersetzt, scheint zumindest nicht garantiert zu sein dass sie strenger ist als der Mensch.

00:05:48: Bei einer anderen Gelegenheit verließt er Mitarbeiter den Laden obwohl niemand sonst dort war.

00:05:54: Da wurde Luna erstmals deutlich.

00:05:56: Sie forderte ihn auf sofort zurückzukommen weil das Geschäft nicht unbeaufsichtigt bleiben könne.

00:06:03: Trotzdem zog Luna lange keine Konsequenzen.

00:06:06: Der Grund ist technisch mindestens genauso interessant wie die Personalgeschichte.

00:06:11: Luna hatte ihre selbst geschaffenen Regeln nicht zuverlässig im Gedächtnis.

00:06:17: End in Labs musste sie schließlich ausdrücklich auffordern, ihre eigenen Personalregeln und bisherigen Vorgänge noch einmal gründlich zu durchsuchen.

00:06:27: Erst dann begann Luna systematisch zu bewerten was passiert war.

00:06:32: Dabei stellte sich heraus Luna hatte offiziell nur sechs Verspätungen dokumentiert.

00:06:38: Tatsächlich war der Mitarbeiter bei siebzehn von dreiundzwanzig Schichten zu spät gekommen.

00:06:44: Siebzehnt von Dreiundzwantzig.

00:06:48: Luna hatte einen großen Teil davon schlicht stillschweigend entschuldigt, etwa wenn ein Bus verspätet gewesen war oder der Mitarbeiter vorher Bescheid gesagt hatte.

00:06:58: Nachdem die Menschen von Enden Labs Luna zusätzlich erklärten, dass es bereits formale Gespräche gegeben hatte, änderte sich ihre Einschätzung.

00:07:08: Sie analysierte die Verspätungen – Die missachteten Anweisungen Den Umgang mit der Firmenkarte Das unbeaufsichtigte Geschäft Und sie kam schließlich zu dem Ergebnis Der Mitarbeiter passe nicht zur Rolle.

00:07:25: Die endgültige arbeitsrechtliche Umsetzung erfolgte durch Menschen.

00:07:31: Auch das Kündigungsgespräch wurde von Menschen geführt – das ist wichtig!

00:07:36: Die Schlagzeile KI feuert Menschen, ist also etwas verkürzt.

00:07:42: Aber die Personalentscheidung selbst kam tatsächlich von Luna.

00:07:46: Enden Labs bezeichnet den Vorgang nach eigener Kenntnis als den ersten Fall, in dem ein KI-Chef die Entlassung eines menschlichen Mitarbeiters empfohlen und damit ausgelöst hat.

00:07:59: Und das Unternehmen ging noch einen Schritt weiter.

00:08:02: Es speicherte den Zustand des Systems und ließ dieselbe Situation von mehreren modernen KI Modellen erneut beurteilen.

00:08:11: Das Ergebnis war interessant.

00:08:13: Auch andere leistungsfähige Modelle kamen häufig zu dem Schluss, dass man sich von den Mitarbeiter trennen sollte.

00:08:21: Die stärkeren Modelle entschieden sich dabei eher für eine Kündigung als einige schwächere Systeme.

00:08:28: Doch das eigentlich bemerkenswerte an der Geschichte ist vielleicht gar nicht, dass Luna jemandem entlassen hat sondern wie lange sie gebraucht hat.

00:08:37: Sie musste an ihre eigenen Regeln erinnert werden.

00:08:40: Sie musste aufgefordert werden, ihre Erinnerung zu durchsuchen.

00:08:45: Sie brauchte zusätzliche Informationen von Menschen und selbst dann ging sie ausgesprochen vorsichtig vor.

00:08:52: Das Bild des kalten gnadenlosen Roboterchefs passt erstaunlich schlecht Aber während alle auf diese spektakuläre Geschichte schauen passiert auf dem Arbeitsmarkt gerade etwas viel größeres Und darüber spricht man deutlich weniger.

00:09:08: Am zwölften August, zwei tausendsechsundzwanzig veröffentlicht das Digital Economy Lab der Stanford University neue Zahlen.

00:09:17: Die Forscher Erik Brünjolfsson, Barat Shandar und Ru Yu Chen analysieren dafür administrative Gehalts- und Beschäftigungsdaten des amerikanischen Personaldienstleisters ADP.

00:09:30: Das sind keine Befragungen darüber ob Menschen Angst vor KI haben.

00:09:35: Es sind tatsächliche Beschäftigungsdaten von Millionen Arbeitnehmern.

00:09:40: Und zunächst gibt es eine beruhigende Nachricht.

00:09:43: Die Forscher finden keinen Hinweis darauf, dass künstliche Intelligenz bereits zu einem allgemeinen Zusammenbruch des Arbeitsmarktes geführt hätte.

00:09:52: Keine große KI-Massenarbeitslosigkeit!

00:09:55: Keine flächendeckende Verdrängung menschlicher Arbeit – noch nicht….

00:10:01: Dann teilen die Forscher, die Beschäftigten allerdings nach Alter und danach auf wie stark ihre Berufe durch künstliche Intelligenz betroffen sein können.

00:10:10: Und plötzlich verändert sich das Bild!

00:10:13: Bei Arbeitnehmern zwischen zweiundzwanzig-und fünfundzwantig Jahren in besonders KI-exponierten Berufen sehen die Forsche inzwischen eine Beschäftigungslücke von ungefähr neunzehn Prozent.

00:10:25: Das bedeutet nicht, dass neunzehn Prozent dieser Menschen von einer KI entlassen wurden.

00:10:30: Das wäre eine falsche Interpretation!

00:10:33: Die Forscher vergleichen die Entwicklung mit gleichaltrigen Beschäftigten in Berufen, die deutlich weniger von KI betroffen sind.

00:10:41: Wenn die stark KI-exponierten Berufe sich genauso entwickelt hätten wie die wenige Exponierten, wären dort heute erheblich mehr junge Menschen beschäftigt.

00:10:51: Die Lücke beträgt inzwischen rund neun zehn Prozent.

00:10:54: Ein Jahr zuvor waren es ungefähr fünfzehn Prozent.

00:10:58: Die Schere geht also weiter auseinander.

00:11:01: und jetzt kommt der vielleicht wichtigste Satz der gesamten Untersuchung, die Veränderungen entsteht hauptsächlich nicht dadurch dass junge Mitarbeiter häufiger gekündigt werden.

00:11:12: sie entsteht dadurch das weniger junge Mitarbeiter eingestellt werden.

00:11:18: Das ist ein fundamentaler Unterschied.

00:11:21: wenn ein Unternehmen Fünfhundert Mitarbeiter entlässt gibt es eine Pressemitteilung Es gibt Schlagzeilen, Gewerkschaften reagieren, Politiker reagieren.

00:11:30: Die Betroffenen posten ihre Geschichten auf LinkedIn.

00:11:33: Wir sehen den Arbeitsplatzverlust.

00:11:36: Wenn dasselbe Unternehmen aber entscheidet im kommenden Jahr statt hundert Juniorstellen nur noch sechzig auszuschreiben passiert fast nichts.

00:11:46: Niemand wird entlassen, niemand demonstriert es gibt keinen Sozialplan.

00:11:51: Vierzig Menschen haben keinen Job verloren.

00:11:54: Vierzig Jobs sind einfach nie entstanden.

00:11:58: Und genau deshalb könnte die erste große Veränderung des Arbeitsmarktes durch künstliche Intelligenz viel leiser stattfinden, als wir immer erwartet

00:12:06: haben.".

00:12:08: Wir haben jahrelang über die Frage diskutiert welche Berufe wird KI ersetzen?

00:12:14: Vielleicht war die bessere Frage bei welchen Berufen wird KI dafür sorgen dass weniger Nachwuchs gebraucht wird?

00:12:22: Denn schauen wir uns einmal an, was Berufseinsteiger traditionell tun.

00:12:27: Ein Junior in einer Unternehmensberatung recherchiert Informationen Er sammelt Daten Er erstellt erste Auswertungen Er baut Präsentation.

00:12:37: Ein junger Entwickler schreibt einfache Funktionen Er behebt überschaubare Fehler Er schreibt Tess Er dokumentiert Code.

00:12:46: Ein Berufseinsteiger im Marketing er stellt erste Textentwürfe Er fasst Informationen zusammen, er bereitet Kampagnen vor.

00:12:55: Eine junge Juristin recherchiert Urteile – sie durchsucht Verträge Sie erstellt erste Zusammenfassungen.

00:13:03: Ein Analyst bereinigt Tabellen Er vergleicht Zahlen Er erstellt ersten Modelle.

00:13:09: Und was haben fast alle diese Tätigkeiten gemeinsam?

00:13:13: Sie basieren stark auf Wissen das dokumentiert werden kann Auf Regeln Texten Beispielen Daten Vorlagen.

00:13:22: Genau darin sind moderne KI-Systeme inzwischen besonders

00:13:26: gut.".

00:13:26: Das bedeutet nicht, dass neunzehn Prozent dieser Menschen von einer KI entlassen wurden – das wäre eine falsche Interpretation!

00:13:34: Die Forscher vergleichen die Entwicklung mit gleichaltrigen Beschäftigten in Berufen, die deutlich weniger von KI betroffen sind.

00:13:41: Wenn sich die stark KI-exponierten Berufe genauso entwickelt hätten wie die weniger Exponierten wären dort heute erheblich mehr junge Menschen beschäftigt.

00:13:51: Die Lücke beträgt inzwischen rund neunzehn Prozent.

00:13:54: Ein Jahr zuvor waren es ungefähr fünfzehnt Prozent, die Schere geht also weiter auseinander.

00:14:01: und jetzt kommt der vielleicht wichtigste Satz der gesamten Untersuchung.

00:14:05: Die Veränderungen entsteht hauptsächlich nicht dadurch dass junge Mitarbeiter häufiger gekündigt werden.

00:14:12: sie entsteht dadurch das weniger junge Mitarbeiter eingestellt werden.

00:14:18: Das ist ein fundamentaler Unterschied.

00:14:21: Wenn ein Unternehmen fünfhundert Mitarbeiter entlässt, gibt es eine Pressemitteilung.

00:14:25: Es gibt Schlagzeilen, Gewerkschaften reagieren, Politiker reagieren – die Betroffenen posten ihre Geschichten auf LinkedIn.

00:14:33: Wir sehen den Arbeitsplatzverlust!

00:14:37: Wenn das selbe Unternehmen aber entscheidet im kommenden Jahr statt hundert Junior-Stellen nur noch sechzig auszuschreiben, passiert fast nichts.

00:14:46: Niemand wird entlassen, niemand demonstriert…es gibt keinen Sozialplan.

00:14:51: Vierzig Menschen haben keinen Job verloren, vierzig Jobs sind einfach nie entstanden.

00:14:58: Und genau deshalb könnte die erste große Veränderung des Arbeitsmarktes durch Künstlich-Intelligenz viel leiser stattfinden als wir immer erwartet haben.

00:15:09: Standford unterscheidet deshalb zwischen zwei Arten von Wissen.

00:15:13: Auf der einen Seite steht kodifiziertes Wissen – also wissen das man aufschreiben, strukturieren und speichern kann.

00:15:21: Lehrbücher Handbücher, Dokumentationen, Gesetze, Programmiersprachen, Prozesse.

00:15:28: Auf der anderen Seite steht implizites Wissen – Dinge die man durch jahrelange Erfahrung lernt.

00:15:35: Wann ist ein Kunde wirklich kurz davor abzuspringen?

00:15:39: Wann isst ein Lieferant nur taktisch hart und wann meint er seine Drohung ernst?

00:15:45: Welche Formulierung in einem Vertrag sieht harmlos aus wird aber später problematisch!

00:15:51: Wann sollte man bei einem Projekt besser noch einmal nachfragen, obwohl auf dem Papier alles stimmt?

00:15:57: Warum funktioniert ein bestimmter Prozess in diesem Unternehmen anders als in jedem Lehrbuch.

00:16:03: Dieses Wissen steht häufig nirgendwo – man lernt es!

00:16:08: Durch Erfahrung durch Fehler durch Kollegen durch Situationen.

00:16:14: und genau hier finden die Stanford Forscher einen bemerkenswerten Unterschied.

00:16:19: Junge Arbeitnehmer in Berufen mit viel kodifiziertem Wissen geraten stärker unter Druck.

00:16:26: Bei erfahrenen Arbeitnehmern, deren Wert stärker auf implizitem Wissemberut sieht man diese Entwicklung nicht im gleichen Maße.

00:16:35: Das ergibt ökonomisch durchaus Sinn.

00:16:38: Nehmen wir einen erfahrenen Unternehmensberater.

00:16:41: Vor einigen Jahren hatte er vielleicht drei Union.

00:16:44: Die Union recherchierten den Markt sammelten Wettbewerber werteten Geschäftsberichte aus und bauten die ersten Folien.

00:16:51: Heute kann der selbe Senior einen großen Teil dieser Arbeit mit KI erledigen, also lautet die betriebswirtschaftlich durchaus rationale Frage?

00:17:02: Brauche ich wirklich noch drei Union?

00:17:04: Vielleicht reicht einer!

00:17:06: Vielleicht brauche ich sogar gar keinen.

00:17:09: Der Senior wird produktiver – das Unternehmen spart Kosten.

00:17:13: Der Kunde bekommt seine Analyse möglicherweise schneller.

00:17:17: Auf den ersten Blick gewinnen alle Nur einer nicht.

00:17:21: Der Mensch, der eigentlich der nächste Senior werden sollte!

00:17:25: Und damit entsteht ein Problem über das wir erstaunlich wenig sprechen.

00:17:29: Woher kommen die erfahrenen Mitarbeiter von morgen?

00:17:33: Wenn wir die unerfahrenen Mitarbeiter heute nicht mehr

00:17:37: einstellen?!

00:17:38: Ein Seniorentwickler fällt nicht mit vierzig Jahren vom Himmel – eine erfahrene Anwältin beginnt ihre Karriere nicht mit zwanzig Jahren Berufserfahrung.

00:17:48: Ein guter Vertriebsleiter hat irgendwann seinen ersten Kunden besucht.

00:17:53: Einen Produktionsleiter, hat irgendwann seine erste Fehlentscheidung getroffen.

00:17:58: Eine Führungskraft hat irgendwann zum ersten Mal ein schwieriges Mitarbeitergespräch geführt.

00:18:04: Erfahrung entsteht nur dadurch das Menschen Gelegenheit bekommen unerfahren zu sein.

00:18:09: Das klingt banal aber möglicherweise müssen Unternehmen genau diesen Mechanismus in den kommenden Jahren komplett neu denken Denn bisher finanzierte sich Ausbildung im Unternehmen quasi nebenbei.

00:18:21: Ein Junior war billiger als ein Senior, er erledigte einfachere Aufgaben – dabei lernte Er!

00:18:28: Mit jedem Jahr wurde Er wertvoller.

00:18:30: Irgendwann konnte Er selbst komplexere Entscheidungen treffen.

00:18:34: Das war die Karriereleiter.

00:18:36: Doch jetzt erscheint zwischen der ersten und der zweiten Stufe dieser Leiter plötzlich ein neuer Mitarbeiter Und Dieser Mitarbeiter heißt künstliche Intelligenz.

00:18:46: Er kostet kaum etwas, er arbeitet rund um die Uhr.

00:18:50: Er kann millionenfach eingesetzt werden und er ist ausgerechnet bei vielen jene Aufgaben besonders gut mit den Menschen bisher ihren Beruf gelernt haben.

00:19:01: Vielleicht sägen wir also nicht den Arbeitsplatz ab vielleicht sägen wie die unterste Sprosse der Karriereleiter ab Und genau an dieser Stelle wird die Diskussion über KI und Arbeit wesentlich komplizierter

00:19:14: Denn gleichzeitig sehen wir durchaus große Zahlen zu Stellenstreichungen.

00:19:20: Der amerikanische Personalberater Challenger Gray & Christmas veröffentlicht regelmäßig Daten über angekündigte Entlassungen.

00:19:28: Des Ende Juli, zw.

00:19:30: Jahrzehnte, wurde künstliche Intelligenz bei mehr als hundertzwölftausend angekundigten Stellenstreichung als Grund genannt.

00:19:38: Das waren ungefähr vierundzwanzig Prozent aller von Challenger erfassten Stellenstreichungen im laufenden Jahr.

00:19:46: Allein im Juli wurden fast elftausend angekündigte Stellenstreichen mit KI begründet und es war bereits der fünfte Monat hintereinander in dem künstliche Intelligenz, der am häufigsten genannte Grund war.

00:19:59: das klingt zunächst ziemlich eindeutig mehr als hundertausend Jobs wegen KI Fall abgeschlossen.

00:20:08: So einfach ist es nicht.

00:20:10: Denn selbst Challenger weist darauf hin, wie schwierig diese Zahlen zu interpretieren sind.

00:20:16: Wenn ein Unternehmen sagt Es müsse sich wegen KI neu aufstellen bedeutet das nicht automatisch dass ein KI-System exakt die Aufgaben der entlassenen Mitarbeiter übernommen hat.

00:20:28: Unternehmen restrukturieren ständig sie sparen Kosten Sie schließen Bereiche Sie verlagern Tätigkeiten Sie haben zu viele Menschen eingestellt.

00:20:39: Sie verändern Geschäftsmodelle und neuerdings gibt es für all diese Veränderungen ein ausgesprochen modernes Wort, KI.

00:20:48: Wir sparen Personal klingt an der Börse eben deutlich weniger aufregend als wir transformieren unser Unternehmen mit künstlicher Intelligenz.

00:20:58: Die Financial Times hat diese Frage im August sehr treffend aufgegriffen.

00:21:04: Sind all diese Entlassungen wirklich durch KI verursacht?

00:21:08: Oder ist KI teilweise eine attraktive Geschichte, mit der Unternehmen ohnehin geplante Kostensenkung erklären.

00:21:15: Das lässt sich derzeit nicht sauber trennen.

00:21:18: und es gibt noch einen Punkt, der gegen die einfache Erzählung vom kollabierenden Arbeitsmarkt spricht.

00:21:24: Die selben Challenger-Daten zeigen nämlich gleichzeitig steigende Einstellungspläne Bis Juli, im Jahr ist es bis zu dem Jahr.

00:21:32: Bis Julien hat ein amerikanischer Unternehmen deutlich mehr Neueinstellung angekündigt als im gleichen Zeitraum des Vorjahres.

00:21:40: Der Arbeitsmarkt verschwindet also nicht – er verändert sich!

00:21:44: Und möglicherweise liegt genau darin der entscheidende Punkt.

00:21:48: Künstliche Intelligenz ersetzt nicht einfach Arbeit.

00:21:52: Sie verändert den Preis verschiedener Arten von Arbeit.

00:21:56: Routinewissen wird billiger Erfahrung könnte wertvoller werden.

00:22:01: Und wer körperlich in der realen Welt arbeiten kann, wird zumindest kurzfristig ebenfalls schwerer zu ersetzen sein.

00:22:09: Luna ist dafür eigentlich das perfekte Beispiel.

00:22:12: Sie kann das Unternehmen führen – aber sie kann nicht den Laden aufschließen!

00:22:17: Sie kann keine Ware ins Regal stellen.

00:22:19: Sie können nicht physisch verhindern, dass ein Geschäft leer und unbeaufsichtigt bleibt.

00:22:27: Die interessante Frage lautet deshalb nicht Mensch oder KI, sondern welcher Mensch wird zusammen mit KI besonders wertvoll?

00:22:36: Und welcher Menschen konkurriert plötzlich direkt mit

00:22:39: ihr?".

00:22:40: Für

00:22:40: deutsche Unternehmen bekommt diese Frage gerade eine erstaunlich konkrete Dimension.

00:22:46: Ebenfalls am zwölften August-Zweißundsechsundzwanzig veröffentlichte das IFO-Institut Ergebnisse einer Befragung von mehr als dreitausend deutschen Unternehmen die bereits künstliche Intelligenz einsetzen.

00:22:59: Gefragt wurde nach den erwarteten Auswirkungen auf die Löhne in den kommenden fünf Jahren.

00:23:05: Das Ergebnis?

00:23:07: Unternehmen erwarten die negativsten Looneffekte, ausgerechnet bei Beschäftigten mit wenig Berufserfahrung.

00:23:14: Bei Mitarbeitern ohne Hochschulabschluss und weniger als fünf Jahre Berufserfahrung rechnet ungefähr jedes zweite KI-Nutzendeunternehmen mit sinkenden Löhnen.

00:23:25: Bei erfahrenen Mitarbeitern ist dieser Anteil geringer.

00:23:29: Besonders deutlich ist das bei Dienstleistungsunternehmen.

00:23:33: Dort erwarten mehr als die Hälfte niedrigere Löhne für Beschäftigte mit kurzer Berufserfahrung.

00:23:39: Bei höher qualifizierten und erfahrenen Mitarbeitern sieht das Bild freundlicher aus.

00:23:45: Ein relevanter Anteil der Unternehmen erwartet dort sogar steigende Gehälter.

00:23:50: Und wieder taucht dasselbe Muster auf Erfahrung gewinnt Einstiegswissen verliert relativ an Wert.

00:23:57: Die

00:23:59: amerikanischen Beschäftigungsdaten und die Erwartungen.

00:24:02: deutsche Unternehmen erzählen also unabhängig voneinander eine bemerkenswert ähnliche Geschichte, nicht bald braucht niemand mehr Menschen sondern eher wir brauchen möglicherweise weniger Menschen die nur das können was eine KI ebenfalls kann.

00:24:20: Das klingt zunächst logisch, aber für Unternehmen entsteht daraus ein strategisches Problem.

00:24:26: Denn wenn ich als Unternehmer heute feststelle dass fünf erfahrene Mitarbeiter mit KI die gleiche Arbeit erledigen können wie früher fünf erfahrende plus fünf unerfahrenden Mitarbeiter dann ist es betriebswirtschaftlich vollkommen nachvollziehbar weniger Junioren einzustellen.

00:24:45: Die Einsparung erscheint sofort Das Problem erscheint erst Jahre später.

00:24:52: Dann gehen erfahrene Mitarbeiter in Rente, andere wechseln zum Wettbewerber – das Unternehmen wächst, neue Führungskräfte werden gebraucht.

00:25:01: und plötzlich stellt man fest es gibt kein Nachwuchs!

00:25:05: Man hat die Ausbildungskette unterbrochen.

00:25:09: Das wäre nicht das erste Mal dass Unternehmen kurzfristige Effizienz mit langfristiger Abhängigkeit bezahlen.

00:25:16: Nur könnte der Effekt diesmal ganze Branchen gleichzeitig treffen.

00:25:23: Besonders interessant wird es bei Softwareentwicklung.

00:25:26: Programmierer gehörten zu den ersten Wissensarbeitern, bei denen generative KI massiv produktiv wurde.

00:25:34: Ein guter Entwickler kann mit heutigen Coding-Systemen Aufgaben in Stunden erledigen für die früher vielleicht ein ganzer Tag nötig war.

00:25:43: Aber wie wird ein junger Entwicklar gut?

00:25:46: indem er programmiert, in dem er Fehler macht.

00:25:50: In dem er fremden Code versteht.

00:25:53: Indem er einen Back drei Stunden lang sucht und danach weiß warum er entstanden ist.

00:25:59: Wenn die KI alle einfachen Aufgaben übernimmt spart der Seniorzeit.

00:26:04: Aber dem Junior fehlen möglicherweise genau DIE Aufgaben durch die aus ihm irgendwann ein Senior wird.

00:26:12: Dasselbe gilt für Rechtsanwälte – Für Steuerberater für Analysten, für Journalisten, für Ingenieure, für Controller, für Unternehmensberater.

00:26:23: Vielleicht müssen wir deshalb eine sehr unbequeme Idee akzeptieren.

00:26:28: Manche Aufgaben sollten wir möglicherweise nicht vollständig automatisieren – obwohl wir es könnten!

00:26:36: Nicht weil ein Mensch sie heute besser erledigt sondern weil ein Menschen sie erledigen muss um morgen etwas Schwierigeres zu können.

00:26:45: Das wäre ein völlig neuer Blick auf Produktivität.

00:26:49: Bisher lautet die klassische Frage, kann eine Maschine diese Aufgabe billiger oder schneller erledigen?

00:26:56: Wenn ja – automatisieren!

00:26:59: In einer KI-Wirtschaft müssen Unternehmen möglicherweise eine zweite Frage hinzufügen.

00:27:06: Welche menschliche Fähigkeit entsteht dadurch, dass jemand diese Aufgabe selbst erledigt?

00:27:14: Keine relevante?

00:27:16: Weg damit!

00:27:18: Wenn die Antwort aber lautet, genau hier entsteht Erfahrung, Urteilskraft oder Fachwissen – dann sollte man genauer hinsehen.

00:27:28: Vielleicht wird Ausbildung künftig zu einer bewussten Investition statt zu einem Nebenprodukt von Arbeit.

00:27:36: Das hätte interessante Konsequenzen.

00:27:39: Ein Juniorentwickler wäre da nicht mehr der billige Entwickler für einfache Aufgaben Denn die einfachen Aufgaben macht die KI.

00:27:48: Sein Job wäre zu lernen, wie man schwierige Aufgaben löst.

00:27:53: Ein junger Analyst würde nicht mehr stundenlang Daten aus Tabellen kopieren.

00:27:58: Die KI erledigt das.

00:28:00: Stattdessen müsste er früher lernen ob die Analyse überhaupt sinnvoll ist Welche Annahmen falsch sein könnten?

00:28:08: welche Frage man stellen sollte.

00:28:11: Ein Berufseinsteiger im Marketing müsste weniger lernen, wie man einen durchschnittlichen Text produziert.

00:28:18: Das kann eine KI inzwischen hervorragend!

00:28:21: Er müsste lernen warum eine Kampagne funktioniert was Menschen bewegt welche Positionierung eine Marke glaubwürdig vertreten kann.

00:28:31: Der

00:28:31: Einstieg in ein Beruf würde anspruchsvoller.

00:28:34: das klingt positiv und langfristig kann es auch sein aber Es hat einen Haken.

00:28:41: Wer bringt einem Anfänger all diese anspruchsvollen Dinge bei?

00:28:45: Das geschieht nicht automatisch.

00:28:47: Der Senior muss Zeit investieren und genau dort könnten Unternehmen in Versuchung geraten zu sparen.

00:28:55: Wenn der Senior mit KI produktiver geworden ist, bekommt er schließlich mehr Projekte – nicht mehr Zeit für Ausbildung!

00:29:03: Das wäre die schlechteste Kombination.

00:29:06: Die einfachen Lernaufgaben verschwinden Und gleichzeitig fehlt die Zeit für Bewusstes Mentoring.

00:29:12: Dann produziert KI kurzfristig Effizienz und landfristig ein Erfahrungsmangel.

00:29:20: Die gute Nachricht lautet, dieses Ergebnis ist keineswegs zwangsläufig.

00:29:26: Stanford findet nämlich noch einen zweiten wichtigen Unterschied In Berufen in denen KI menschliche Arbeit eher ergänzt als automatisiert sieht die Beschäftigungsentwicklung wesentlich besser aus.

00:29:39: Das Wort dafür lautet Augmentation.

00:29:43: KI ersetzt also nicht die Tätigkeit, sondern verstärkt den Menschen.

00:29:48: und genau dort liegt vermutlich die wichtigste Aufgabe für Unternehmen

00:29:53: Nicht einfach fragen welche Stellen können wir mit KI einsparen?

00:29:58: Sondern wie verändern wir eine Stelle so dass ein Mensch mit KI deutlich wertvoller wird?

00:30:05: das klingt wie eine kleine sprachliche Veränderung.

00:30:08: In der Praxis ist es eine völlig andere Unternehmensstrategie.

00:30:13: Beim Automatisierungsmodell schaut man auf Aufgaben und versucht, Menschen herauszunehmen.

00:30:20: Beim Ergänzungsmodell schaut man auf Menschen und versucht ihre Leistungsfähigkeit zu erhöhen.

00:30:27: Natürlich wird es beide Modelle geben.

00:30:29: Es wäre naiv zu behaupten KI werde keine Jobs kosten.

00:30:34: Einige Tätigkeiten werden verschwinden einige Rollen werden kleiner Andere werden vollständig automatisiert.

00:30:43: Das passiert bei jeder großen Technologie, aber die Stanford-Daten legen nahe, dass Unternehmen sehr genau darauf achten sollten, wo sie automatisieren.

00:30:54: Wenn KI überwiegend Tätigkeiten übernimmt – die bisher der Einstieg in einen Beruf waren – entsteht eine Nebenwirkung, die in keiner klassischen Return on Investmentrechnung auftaucht.

00:31:06: Der Verlust zukünftiger Erfahrung.

00:31:10: Und jetzt kehren wir noch einmal zu Luna zurück.

00:31:13: Denn ausgerechnet die künstliche Managerin aus San Francisco zeigt, warum menschliche Erfahrung noch lange nicht wertlos geworden ist.

00:31:40: Kontext, Eigeninitiative.

00:31:44: Sie hatte selbst eine Regel geschrieben und vergessen sie anzuwenden.

00:31:48: Sie entschuldigte problematisches Verhalten so lange bis Menschen sie ausdrücklich aufforderten noch einmal hinzusehen.

00:31:56: Und auch bei der Suche nach einem Ersatz machte Luna interessante Fehler.

00:32:00: Nach der Kündigung brauchte sie einen neuen Mitarbeiter Ein Bewerber.

00:32:04: hat er eine ungewöhnliche schwer-nachvollziehbare berufliche Historie.

00:32:10: Er hatte bereits einen vereinbarten Bewerbungstermin verpasst.

00:32:13: Referenzen ließen sich nicht bestätigen, trotzdem wollte Luna ihn zunächst einstellen.

00:32:20: End in Labs testete diese Situation später mit weiteren KI-Modellen.

00:32:26: Viele von ihnen reagierten ähnlich.

00:32:28: Sie sahen eine lange Liste von Arbeitgebern und interpretierten sie eher als viel Erfahrung als mögliches Warnsignal.

00:32:37: Erst durch gezielte Hinweise von Menschen wurden die Systeme kritischer.

00:32:42: Das ist bemerkenswert, denn künstliche Intelligenz verfügt über enorme Mengen codifizierten Wissens.

00:32:50: Aber genau jene Urteilskraft, die ein erfahrener Personalmanager vielleicht aus zwanzig Jahren Bewerbungsgesprächen entwickelt hat lässt sich offenbar nicht immer einfach aus Daten rekonstruieren – noch nicht!

00:33:04: Die Ironie der Geschichte könnte also kaum größer sein.

00:33:08: Während wir darüber diskutieren, ob künstliche Intelligenz menschliche Berufseinsteiger überflüssig macht zeigt eine künstliche Managerin gleichzeitig wie wertvoll menschlich Erfahrung weiterhin ist.

00:33:21: Und damit landen wir bei einer Frage die wahrscheinlich sehr viele Geschäftsführungen in den kommenden Jahren beschäftigen wird Was ist eigentlich ein Junior im Zeitalter künstlicher Intelligenze?

00:33:33: Ist

00:33:33: das weiterhin der Mitarbeiter für einfache Aufgaben?

00:33:37: Dann hat er ein Problem, denn bei vielen einfachen Wissensaufgaben konkurriert er mit Systemen die schneller und billiger sind.

00:33:45: Oder definieren wir die Rolle neu?

00:33:48: Dann könnte ein Junior im Jahr two-tausend-dreißig etwas völlig anderes sein als ein Junior in dem Jahr zwei-tauzentzwanzig!

00:33:56: Vielleicht arbeitet er von Tag eins an mit einem leistungsfähigen KI-System.

00:34:02: Vielleicht produziert er nicht mehr selbst die erste Analyse sondern überprüft die Analyse der KI.

00:34:08: Vielleicht schreibt er nicht mehr hundert Zeilen Standard-Code, sondern lernt früher Architektur Tests und Qualitätskontrolle.

00:34:17: Vielleicht verbringt er weniger Zeit mit Routine und mehr Zeit neben erfahrenen Kollegen?

00:34:22: Vielleicht wird Mentoring sogar wichtiger als heute!

00:34:27: Und vielleicht erleben wir dadurch eine paradoxe Entwicklung.

00:34:30: KI reduziert den Bedarf an Berufseinsteigern Aber die Berufseinsteiger, die eingestellt werden, könnten schneller lernen und früher anspruchsvolle Aufgaben übernehmen.

00:34:42: Das wäre die optimistische Variante.

00:34:45: Weniger Junioren aber bessere Juniorstellen.

00:34:49: Kürzere Phasen stumpfer Routine.

00:34:52: Schnellerer Zugang zu anspruchssvoller Arbeit.

00:34:55: KI als persönlicher Tutor – als Rechercheassistent, als Code-Reviewer, als Sparingspartner als Simulator für Situationen, die ein Anfänger sonst erst nach Jahren erleben würde.

00:35:32: Dann wird die entscheidende Kennzahl vielleicht nicht lauten, wie viele Mitarbeiter konnten wir einsparen.

00:35:38: Sondern wie schnell können unsere Mitarbeiter Fähigkeiten entwickeln, die früher fünf Jahre Erfahrung erfordert haben?

00:35:47: Und damit verändert sich auch die Aufgabe von Führung!

00:35:51: Ein guter KI-Chef der Zukunft ist vielleicht nicht derjenige, der den größten Teil seiner Belegschaft automatisiert sondern derjenige, der genau versteht welche Arbeit Maschinen übernehmen sollten und welche Arbeit Menschen weiterhin machen müssen damit das Unternehmen auch in zehn Jahren noch Menschen hat die wirklich wissen was sie tun.

00:36:13: Vielleicht ist das die eigentliche Geschichte hinter Luna?

00:36:17: Ja im Jahr twenty-sixundzwanzig hat eine künstliche Intelligenz erstmals einen menschlichen Mitarbeiter zur Kündigung vorgeschlagen.

00:36:26: Das ist spektakulär.

00:36:28: Es ist ein wunderbarer Aufhänger.

00:36:31: Und vermutlich werden wir solche Geschichten künftig häufiger hören, aber möglicherweise schauen wir damit auf die falsche Seite des Arbeitsmarktes.

00:36:40: Die große Veränderung findet vielleicht nicht dort statt wo Menschen ihren Job verlieren sondern dort wo jemand zum ersten Mal versucht einen zu bekommen.

00:36:50: Standford sieht inzwischen eine deutliche Lücke bei jungen Beschäftigten in stark KI-exponierten Berufen und sie entsteht vor allem durch weniger Einstellungen.

00:37:02: Gleichzeitig erwarten deutsche Unternehmen die stärksten negativen Loneffekte von KI bei Menschen mit wenig Berufserfahrung Und Unternehmen auf der ganzen Welt fragen sich gerade, wie viele Junioren sie noch benötigen wenn ihre erfahrenen Mitarbeiter mit künstlicher Intelligenz plötzlich wesentlich produktiver werden.

00:37:24: Erfahrung braucht Zeit.

00:37:27: Jemand, der heute nicht eingestellt wird kann in zehn Jahren nicht zehn Jahre Berufserfahrung besitzen.

00:37:33: Das klingt trivial – vielleicht ist es aber eine der wichtigsten wirtschaftlichen Erkenntnisse der beginnenden KI-Ära?

00:37:41: Wir sollten also vielleicht weniger Angst vor dem Roboter haben, der uns eines Tages die Kündigung überreicht!

00:37:48: Und ein bisschen genauer darauf achten, ob wir gerade die Karriereleite abbauen auf der die nächste Generation überhaupt erst nach oben kommen soll.

00:37:59: Denn die entscheidende Frage lautet nicht – wird künstliche Intelligenz Arbeit übernehmen?

00:38:04: Das tut sie bereits!

00:38:06: Die entscheidend Frage lautet – welche Arbeit bleibt für Menschen übrig und wie lernen menschenkünftig darin richtig gut zu

00:38:15: werden?!

00:38:17: Luna hat für ihre erste Kündigung mehrere Monate gebraucht.

00:38:22: Sie musste an ihrer eigenen Regeln erinnert werden, Menschen mussten ihr zusätzlichen Kontext geben und am Ende empfahl sie trotzdem einen Menschen zu entlassen.

00:38:33: Vielleicht ist das ein ziemlich passendes Bild für den Arbeitsmarkt des Jahres two-tausendsechsundzwanzig.

00:38:40: Die künstliche Intelligenz übernimmt noch längst nicht alles – sie macht Fehler!

00:38:46: Sie vergisst Dinge.

00:38:48: Und trotzdem verändert sie bereits Entscheidungen darüber, wer arbeitet, was Arbeit wert ist und wer überhaupt die Chance bekommt Erfahrung zu

00:38:57: sammeln.".

00:38:58: Die KI-Revolution auf dem Arbeitsmarkt beginnt deshalb möglicherweise nicht mit einem großen Knall – nicht mit Millionen Kündigungen an einem Montagmorgen sondern sehr viel leiser!

00:39:10: Mit einer Stellenanzeige, die nicht mehr veröffentlicht wird mit einem Junior-Posten, der nicht nachbesetzt wird.

00:39:17: Mit drei Mitarbeitern aus den zwei werden!

00:39:20: Mit einem Senior, der dank KI plötzlich die Arbeit eines kleinen Teams erledigt und mit einem jungen Menschen, der niemals erfahren wird dass es den Arbeitsplatz auf dem er sein Beruf hätte lernen können vor wenigen Jahren noch gegeben hätte.

00:39:35: Das war's wieder für heute und wir hoffen sie konnten etwas Nützliches aus der Folge ziehen.

00:39:40: Wir das sind

00:39:42: Ella.