Kurzfassung

Eine aktuelle Studie von Davenport und Srinivasan stellt das verbreitete Narrativ von massiven KI-bedingten Entlassungen in Frage. Während 60 Prozent der befragten Führungskräfte Personal abgebaut haben und dies KI zuschreiben, basieren diese Entscheidungen grösstenteils auf Erwartungen statt auf messbaren Produktivitätseffekten. Nur zwei Prozent der Organisationen konnten substanzielle Headcount-Reduktionen auf konkrete KI-Implementierungen zurückführen. Das Phänomen wird als „AI-Washing" kritisiert – Unternehmen begründen Sparmassnahmen mit KI, ohne Nachweise zu erbringen.

Personen

Themen

  • Künstliche Intelligenz und Arbeitsmarkt
  • Unternehmenskommunikation und Glaubwürdigkeit
  • IT-Dienstleistungssektor
  • Automatisierungstrends Deutschland vs. USA

Clarus Lead

Das zentrale Paradoxon: Während Grossunternehmen wie Amazon, IBM und Klarna Entlassungen mit generativer KI rechtfertigen, fehlen messbare Produktivitätsgewinne. Eine globale Managementstudie zeigt, dass 60 Prozent der Befragten Personal reduzierten oder Neueinstellungen stoppten – doch dies basiere auf Zukunftsprognosen, nicht auf realisierten Effekten. Für Entscheider relevant: Das unkritische Verknüpfen von Jobabbau mit KI schadet langfristig der Mitarbeiter-Akzeptanz und gefährdet produktive Experimentierräume. In spezifischen Branchen wie IT-Dienstleistungen zeigen sich jedoch reale Effekte, während Europa bei der Automatisierung deutlich hinter den USA zurückbleibt.

Detaillierte Zusammenfassung

Das AI-Washing-Phänomen

Die Forschung offenbart eine massive Glaubwürdigkeitslücke: Während 39 Prozent der befragten Organisationen in geringem bis mittlerem und 21 Prozent in grossem Umfang Personal abgebaut haben – alle in Erwartung künftiger KI-Effekte – basieren diese Entscheidungen auf spekulativen Szenarien. Besonders kritisch: Klarna beispielsweise reduzierte seine Belegschaft zwischen 2022 und 2024 um 40 Prozent und verwies auf KI-Effizienzgewinne. 2025 räumte CEO Sebastian Siemiatkowski ein, man habe zu viel Arbeit an KI übergeben, besonders im Kundenservice. Dies führte zu öffentlicher Kritik und schadet dem Vertrauen in KI-Initiativen.

Differentielle Brancheneffekte

Das Bild ist jedoch uneinheitlich. Im IT-Dienstleistungssektor – Unternehmen wie Tata Consultancy Services, Infosys und Wipro – zeigen sich echte Jobeffekte. Diese Firmen stellten zu Jahrzehntbeginn jährlich über 100.000 neue Mitarbeiter ein; inzwischen stagniert die Beschäftigung, da KI-gestützte Programmierung und Automatisierung Wachstum ohne Personalwachstum ermöglichen. Gleichzeitig führte dies zu einer Insourcing-Welle, da Kunden KI-generierten Code billiger selbst generieren. In Industrie, Gesundheitswesen und öffentlicher Verwaltung ist KI-bedingter Personalabbau hingegen kaum messbar.

Regionale und institutionelle Unterschiede

Eine OECD-Studie unterstreicht: In Deutschland sehen nur 12 Prozent der Unternehmen KI als kurzfristige Ersatztechnologie, in den USA sind es 28 Prozent. Mitbestimmungsrechte, starkes Arbeitsrecht und Fokus auf Weiterqualifizierung hemmen schnelle Automatisierung in Europa. Auch die Bewertung von generativer KI selbst ist schwierig – 44 Prozent der Manager bezeichneten sie als am schwierigsten zu bewertende KI-Form, gleichwohl 90 Prozent einen moderaten bis hohen Gesamtwertbeitrag attestierten.

Wissenschaftliche Realitäten

Feldexperimente zeigen begrenzte, spezifische Effekte: Brynjolfsson ermittelte 14 Prozent Produktivitätssteigerung bei Junior-Personal im Kundenservice, bei erfahrenen Kräften war der Effekt geringer. Microsoft Research dokumentiert 10–15 Prozent Gewinn in der Softwareentwicklung – unter idealtypischen Bedingungen. KI automatisiere typischerweise Aufgaben, nicht komplette Jobs; das Gegenbeispiel Radiologen zeigt: Trotz Prognosen von Nobelpreisträger Geoffrey Hinton (KI würde Radiologen in fünf Jahren übertreffen) gibt es ein Jahrzehnt später keine verlorenen Stellen.

Kernaussagen

  • Glaubwürdigkeitslücke: 60 Prozent der Führungskräfte begründen Personalabbau mit KI, doch nur 2 Prozent können substanzielle Reduktionen auf konkrete Implementierungen zurückführen.

  • Messbarkeit fehlt: Produktivitätseffekte sind bislang kaum quantifizierbar; Entlassungen basieren auf Zukunftserwartungen statt auf Gegenwartsdaten.

  • Unterschiedliche Branchenrealität: IT-Dienstleister verlieren tatsächlich Jobs durch KI-Automatisierung; in Industrie und Gesundheitswesen ist der Effekt minimal.

  • Europa langsamer: Nur 12 Prozent der deutschen Unternehmen sehen KI als kurzfristige Ersatztechnologie (USA: 28 Prozent).

  • Reputationsrisiko: Unkritisches AI-Washing schädigt Mitarbeiterloyalität, erhöht gesellschaftliche KI-Skepsis und gefährdet produktive Experimentierräume.

  • Empfohlener Implementierungsweg: Enge, problemorientierte Use-Cases, inkrementeller Personalabbau über natürliche Fluktuation, Prozessneugestaltung mit Mitarbeiterbeteiligung, positive Kommunikation von Entlastungseffekten.

Kritische Fragen

  1. Evidenz: Warum berichten 60 Prozent der befragten Manager von Personalabbau wegen KI, während nur 2 Prozent messbare Implementierungen nachweisen können? Welche Kriterien definieren „substanzielle" Reduktionen in der Studie?

  2. Quellenvalidität: Die OECD-Studie zitiert 12 Prozent der deutschen Unternehmen, die KI als kurzfristige Ersatztechnologie sehen – wie wurde diese Stichprobe ausgewählt, und sind KMUs repräsentativ abgebildet?

  3. Interessenskonflikte: Haben Unternehmen wie Klarna Anreize, Entlassungen mit technologischen Gründen zu rechtfertigen statt wirtschaftlicher Druck oder Managemententscheidungen zuzugeben?

  4. Kausalität: Können die 10–15 Prozent Produktivitätssteigerung in Feldexperimenten auf reale Organisationen mit weniger idealtypischen Bedingungen übertragen werden? Zeigen die Beispiele (Radiologen, Softwareentwicklung) auch negative Fälle?

  5. Umsetzbarkeit: Wie realistisch ist der „Narrow and deep"-Ansatz mit kontrollierten Experimenten in grossen, dezentralisierten Organisationen?

  6. Langzeitwirkung: Wenn die Hälfte der Amerikaner KI-Nutzung eher kritisch sieht, wie wirkt sich ständiges AI-Washing auf Kundenvertrauen und Konsumentenverhalten aus?

Quellenverzeichnis

Primärquelle: Amazon, IBM oder Klarna: Waren manche Entlassungen wegen KI zu vorschnell? – FAZ Pro, 05.02.2026, von Holger Schmidt

Sekundäre Referenzen (im Text genannt):

  • Davenport, Thomas H. & Srinivasan, Laks: Studie zu KI und Personalabbau (1.000 befragte Führungskräfte, global)
  • OECD-Studie zur KI-Automatisierung in Deutschland vs. USA
  • Brynjolfsson et al.: Feldexperiment Produktivitätssteigerung (Kundenservice, Softwarentwicklung)
  • Microsoft Research: Produktivitätsgewinne Softwareentwicklung
  • Umfrage 2025: Amerikanische Haltung zu KI-Nutzung

Verifizierungsstatus: ✓ 05.02.2026

Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 05.02.2026