155 Millionen Stellenausschreibungen zeigen keine KI-getriebene Arbeitsplatzvernichtung
Die Erzählung von KI als Jobkiller ist auf 155 Millionen Datenpunkte gestoßen. Ein White Paper der University of Maryland findet keine Belege dafür, dass KI die Arbeitsnachfrage schrumpft — und die Einsteiger-Einstellungen sind sogar gestiegen.
Erklaerung
Die Angst, dass KI den Arbeitsmarkt aushöhlen würde, ist seit zwei Jahren eine der lautesten Geschichten in der Tech-Branche. Ein neues White Paper der University of Maryland bringt Ernüchterung — im großen Maßstab.
Forscher analysierten 155 Millionen US-amerikanische Stellenausschreibungen und fanden keine statistischen Belege dafür, dass KI-Adoption die Gesamtnachfrage nach Arbeitskräften reduziert. Falls überhaupt, passiert das Gegenteil: Unternehmen, die KI einsetzen, stellen mehr ein, nicht weniger, und Einsteiger-Stellenausschreibungen — die Kategorie, die am ehesten automatisiert werden sollte — wachsen parallel zu KI-Investitionen.
Das ist jetzt relevant, weil politische Debatten, Bildungsreformen und Karrierentscheidungen durch die Verdrängungserzählung geprägt werden. Wenn diese Erzählung empirisch schwach ist, sieht die Dringlichkeit, deine Karriere „KI-sicher" zu machen oder KI-Einstellungen zu regulieren, anders aus.
Einige Vorbehalte sind wichtig: Stellenausschreibungen messen Einstellungsabsicht, nicht tatsächliche Beschäftigungsergebnisse. Ein Unternehmen kann mehr Positionen ausschreiben und gleichzeitig die Leistung pro Arbeitnehmer erhöhen, was weniger Einstellungen pro Umsatzeinheit bedeutet. Das White Paper deckt auch ein spezifisches Zeitfenster ab — es sagt uns nicht, was beim nächsten Fähigkeitssprung passiert.
Trotzdem sind 155 Millionen Ausschreibungen ein ernstzunehmender Datensatz. Die Beweislast verschiebt sich jetzt auf diejenigen, die breite Verdrängung behaupten: zeigt die Daten, nicht die Prognose. Was als nächstes zu beobachten ist: ob das Lohnwachstum in KI-nahen Rollen mit dem Ausschreibungsvolumen Schritt hält — dort lebt die echte Verteilungsgeschichte.
Die Verdrängungsthese — dass generative KI die Arbeitsnachfrage komprimieren würde, besonders auf Einsteiger-Ebene — hat alles vorangetrieben, von Senatshearings bis zu Lehrplan-Überarbeitungen an Universitäten. Das White Paper der University of Maryland ist die bislang datendichteste Herausforderung dieser These.
Die Methodik konzentriert sich auf 155 Millionen US-amerikanische Stellenausschreibungen, analysiert, um sowohl KI-Skill-Nachfrage als auch aggregiertes Ausschreibungsvolumen über Sektoren und Seniorität hinweg zu verfolgen. Der Kernbefund: keine negative Korrelation zwischen KI-Adoptionssignalen und Arbeitsnachfrage. KI-Einstellungsrollen expandieren, und Einsteiger-Ausschreibungen kontrahieren nicht in KI-exponierten Sektoren — die Kohorte, die die Theorie zuerst vorhersagte.
Das stimmt mit früherer heterodoxer Arbeit überein. Acemoglus und Restreppos Task-Displacement-Framework erkannte immer an, dass neue Task-Erstellung Automatisierungsverluste ausgleichen könnte; die empirische Frage war Timing und Ausmaß. Autors neuere Arbeit zu „so-so automation" deutete darauf hin, dass Produktivitätsgewinne ohne proportionalen Jobverlust plausibel waren. Die Maryland-Daten fügen einen großen Datenpunkt auf Basis von Ausschreibungen diesem Lager hinzu.
Der wahrscheinlich am Werk befindliche Mechanismus: KI erweitert derzeit Workflows, anstatt Kopfzahl zu ersetzen. Firmen adoptieren KI, erhöhen den Durchsatz, dann stellen ein, um erweiterte Nachfrage zu erfassen — ein Muster, das mit historischen GPT-Diffusionskurven (General-Purpose Technology) konsistent ist. Der Netto-Beschäftigungseffekt wird nur negativ, wenn Automatisierung Substitutionstiefe erreicht, nicht Augmentationstiefe.
Offene Fragen, die das Paper nicht schließt: (1) Ausschreibungen ≠ Einstellungen ≠ geleistete Stunden — Arbeitsnachfrage kann überzeichnet sein, wenn Ghosting oder Ausschreibungsinflation KI-Sektor-spezifisch ist. (2) Lohnkompression auf Einsteiger-Ebene könnte Verdrängungsdruck signalisieren, auch ohne Volumenrückgang. (3) Das Zeitfenster des Datensatzes liegt vor den fähigsten Frontier-Modellen; die nächsten 18 Monate Ausschreibungsdaten werden diagnostischer sein.
Der Falsifizierer, den man beobachten sollte: Wenn Einsteiger-Ausschreibungsvolumen stabil bleibt, aber Angebotquoten und Einstiegsgehälter sinken, passiert Verdrängung unter der Ausschreibungsebene. Das ist das Signal, das man verfolgen sollte.
Reality Meter
Warum dieser Score?
Trust Layer Score-Basis
Detaillierte Evidenz-Aufschluesselung folgt. Bis dahin: die Score-Basis ergibt sich aus den unten verlinkten Quellen und dem Reality-Meter weiter oben.
- 48 Quellen hinterlegt
- Trust 42/100 im Schnitt
- Trust 40–95/100
Zeithorizont
Community-Einschaetzung
Glossar
- Verdrängungsthese
- Die Annahme, dass generative KI zu einem Rückgang der Arbeitsnachfrage führt, besonders für Anfänger und Einsteiger in ihren Karrieren.
- Task-Displacement-Framework
- Ein theoretisches Modell von Acemoglu und Restrepo, das erklärt, wie Automatisierung einzelne Aufgaben ersetzt, aber gleichzeitig neue Aufgaben entstehen können, die Jobverluste ausgleichen.
- Augmentation
- Die Erweiterung und Verbesserung von Arbeitsabläufen durch Technologie, bei der KI menschliche Arbeit unterstützt, anstatt sie zu ersetzen.
- General-Purpose Technology (GPT)
- Eine Technologie mit breiter Anwendbarkeit, die viele verschiedene Branchen und Aufgaben transformieren kann, wie beispielsweise Elektrizität oder das Internet.
- Lohnkompression
- Eine Verringerung der Lohnunterschiede zwischen verschiedenen Qualifikationsstufen, wenn beispielsweise Einstiegsgehälter stärker sinken als höhere Gehälter.
Wie siehst du das?
Deine Einschaetzung gewichtet kuenftige Themen.
Deine Stimme fliesst in Topic-Weights, Community-Kompass und kuenftige Priorisierung ein. Community-Kompass ansehen
Quellen
- Tier 3 New Data Challenges AI Job Loss Narrative
- Tier 3 Latest AI News, Developments, and Breakthroughs | 2026 | News
- Tier 3 The 2025 AI Index Report | Stanford HAI
- Tier 3 Artificial Intelligence News -- ScienceDaily
- Tier 3 AI Developments That Changed Vibrational Spectroscopy in 2025 | Spectroscopy Online
- Tier 3 AI breakthrough cuts energy use by 100x while boosting accuracy | ScienceDaily
- Tier 3 Reuters AI News | Latest Headlines and Developments | Reuters
- Tier 3 Inside the AI Index: 12 Takeaways from the 2026 Report
- Tier 1 Human scientists trounce the best AI agents on complex tasks
- Tier 3 Sony AI Announces Breakthrough Research in Real-World Artificial Intelligence and Robotics - Sony AI
- Tier 3 This new brain-like chip could slash AI energy use by 70% | ScienceDaily
- Tier 3 State AI Laws – Where Are They Now? // Cooley // Global Law Firm
- Tier 3 AI Regulation: The New Compliance Frontier | Insights | Holland & Knight
- Tier 3 The White House’s National Policy Framework for Artificial Intelligence: what it means and what comes next | Consumer Finance Monitor
- Tier 3 Trump Administration Releases National AI Policy Framework | Morrison Foerster
- Tier 3 What President Trump’s AI Executive Order 14365 Means For Employers | Law and the Workplace
- Tier 3 Manatt Health: Health AI Policy Tracker - Manatt, Phelps & Phillips, LLP
- Tier 3 Battle for AI Governance: White House’s Plan to Centralize AI Regulation and States’ Continuous Opposition
- Tier 3 AI Omnibus: Trilogue Underway…What to Expect as Negotiations Progress | Insights | Ropes & Gray LLP
- Tier 3 AI Regulation News Today 2025: Latest Updates on EU AI Act, US Rules & Global Impact - Prime News Mag
- Tier 3 AI regulation set to become US midterm battleground | Biometric Update
- Tier 3 Top Large Language Models of 2025 | Best LLMs Compared
- Tier 3 Large language model - Wikipedia
- Tier 1 [2604.27454] Exploring Applications of Transfer-State Large Language Models: Cognitive Profiling and Socratic AI Tutoring
- Tier 3 Top 50+ Large Language Models (LLMs) in 2026
- Tier 3 The Best Open-Source LLMs in 2026
- Tier 3 10 Best LLMs of April 2026: Performance, Pricing & Use Cases
- Tier 3 Emerging applications of large language models in ecology and conservation science
- Tier 3 From Elicitation to Evolution: A Literature-Grounded, AI-Assisted Framework for Requirements Quality, Traceability, and Non-Functional Requirement Management | IJCSE
- Tier 3 Labor market impacts of AI: A new measure and early ...
- Tier 3 Tracking the Impact of AI on the Labor Market - Yale Budget Lab
- Tier 3 AI and Jobs: Labor Market Impact Echoes Past Tech Transitions | Morgan Stanley
- Tier 3 The Jobs AI Is Likely to Boost—and Those It May Disrupt | Goldman Sachs
- Tier 3 How will Artificial Intelligence Affect Jobs 2026-2030 | Nexford University
- Tier 3 Young People Are Falling Behind, but Not Because of AI - The Atlantic
- Tier 3 AI is getting better at your job, but you have time to adjust, according to MIT | ZDNET
- Tier 3 The impact of AI on the labour market | Management & Marketing | Springer Nature Link
- Tier 3 AI's impact on the job market is starting to show up in the data
- Tier 3 AI speeds up prior auth, coding while driving higher costs for health systems: PHTI report
- Tier 3 AI-enabled Medical Devices Market Size, Share | Forecast [2034]
- Tier 3 Journal of Medical Internet Research - Artificial Intelligence, Connected Care, and Enabling Digital Health Technologies in Rare Diseases With a Focus on Lysosomal Storage Disorders: Scoping Review
- Tier 3 Generative AI analyzes medical data faster than human research teams | ScienceDaily
- Tier 3 Rede Mater Dei de Saúde: Monitoring AI agents in the revenue cycle with Amazon Bedrock AgentCore | Artificial Intelligence
- Tier 3 Artificial Intelligence (AI) in Healthcare & Medical Field
- Tier 3 AI in Healthcare Market Rises 37.66% Healthy CAGR by 2035
- Tier 3 Here's how the data fed into medical AI can help — or hurt — health care | GBH
- Tier 3 Future of AI in Healthcare: Trends and Predictions for 2027 and Beyond
- Tier 3 2026 Conference
Optional Vorhersage abgeben Optional: Wenn du willst, gib deine Vorhersage zur Kernfrage ab.
Prediction
Werden Folgestudien im großen Maßstab zur Arbeitskräftenachfrage (2025–2026) weiterhin keine Netto-Reduktion von Stellenausschreibungen aufgrund von KI-Adoption feststellen?