🌾 Von Spreu und Weizen

Was agentische KI von Arbeit übrig lässt und wer auf welcher Seite landet

Am 31. März 2026 wachten Zehntausende Oracle-Mitarbeitende mit einer E-Mail auf, die um sechs Uhr morgens zugestellt worden war. Absender: Oracle Leadership. Inhalt: »Today is your last working day.« Keine Begründung, kein Gespräch, kein Name. Slack und VPN waren bereits deaktiviert. Oracle hatte kurz zuvor eines der besten Quartale seiner Geschichte gemeldet.

Es wäre ein Fehler, diesen Vorgang als Ausrutscher eines einzelnen Unternehmens zu lesen. Er beschreibt eine Logik, die sich gerade in weiten Teilen der Wissensökonomie ausbreitet: Wachstum und Beschäftigung entkoppeln sich. Rekordgewinne rechtfertigen keine Stellen mehr, sie finanzieren ihre Substitution. Was Oracle getan hat, werden andere tun. Leiser, vielleicht. Aber mit derselben Richtung.

Die Frage, die sich dahinter verbirgt, ist unbequemer als jede Entlassungswelle: Werde ich in fünf Jahren noch gebraucht? Nicht als Mensch. Als Arbeitskraft. Sechs Thesen. Kein beruhigender Schluss. Aber ein klarer.

These 1: Agentische KI ist keine weitere Automatisierungswelle. Sie ist eine andere Kategorie.

Die Wirtschaftsgeschichte kennt ein erprobtes Muster. Neue Technologie vernichtet Arbeitsplätze in einem Sektor und schafft sie in einem anderen. Landarbeiter wurden Fabrikarbeiter. Fabrikarbeiter wurden Sachbearbeiter. Sachbearbeiter wurden Wissensarbeiter. Jeder Schritt setzte voraus, dass die neue Kategorie von Arbeit außerhalb der Reichweite der Maschine lag. Und jedes Mal hatte man recht: Die Maschine konnte das eine, der Mensch das andere.

Agentische KI bricht dieses Muster, weil sie keine spezifische Aufgabe übernimmt, sondern als kognitiver Generalist operiert. Sie liest, analysiert, schreibt, entscheidet, kommuniziert und koordiniert. Dario Amodei, CEO von Anthropic, beschreibt sie als allgemeinen Arbeitskraftsubstitut für kognitive Tätigkeiten. Das bedeutet: Die Kategorie von Arbeit, in die Wissensarbeiter seit der Industrialisierung gewechselt sind, liegt erstmals selbst im Zugriff der Automatisierung.

Hinzu kommt die Geschwindigkeit. Industrielle Automatisierung rollte über Jahrzehnte aus, weil sie Hardware erforderte. Agentische KI ist Software. Sie skaliert nicht in Jahren, sondern in Monaten. Die Zeit, die Gesellschaften hatten, um sich anzupassen, schrumpft in einem Maß, für das es keine historische Analogie gibt. Geoffrey Hinton, Turing- und Nobelpreisträger, formulierte es im September 2025 unverblümt: Reichere werden KI nutzen, um Arbeitnehmer zu ersetzen. Das schaffe massive Arbeitslosigkeit und einen enormen Anstieg von Gewinnen.

»Die Kategorie, in die sich Arbeit seit der Industrialisierung gerettet hat, liegt erstmals selbst im Zugriff der Automatisierung.«

These 2: Die institutionellen Prognosen beruhen auf einer Annahme, die erstmals wackelt.

Das Weltwirtschaftsforum erwartet per Saldo neue Arbeitsplätze. Der IWF sieht Exposition, aber auch Komplementärität. McKinsey verweist auf Produktivitätspotenziale, die neue Nachfrage erzeugen. Diese Prognosen teilen eine gemeinsame Grundannahme: dass menschliche Arbeit dauerhaft ein Engpass bleibt, weil es immer etwas gibt, das Menschen können und Maschinen nicht.

Diese Annahme ist historisch nie falsch gewesen. Sie ist der Grund, warum der sogenannte Lump-of-Labour-Irrtum, die Vorstellung, es gebe nur eine feste Menge an Arbeit, seit zweihundert Jahren als ökonomischer Denkfehler gilt. Anton Korinek, Ökonom an der University of Virginia und Mitglied des wirtschaftlichen Beirats von Anthropic, benennt das Kernproblem: Ökonomen haben zweihundert Jahre lang gegen diesen Irrtum argumentiert. Aber ihr Argument setzt voraus, dass menschliche Arbeit immer der Engpass bleibt. Genau das, schreibt Korinek, könnte sich jetzt ändern.

Das heißt nicht, dass die institutionellen Prognosen falsch sind. Es heißt, dass sie unter einer Bedingung gelten, deren Gültigkeit zum ersten Mal in Frage steht. Wer das nicht einpreist, modelliert Vergangenheit, keine Zukunft. Daron Acemoglu, Wirtschaftsnobelpreisträger am MIT, gibt den Optimisten ein zusätzliches empirisches Problem: Die meisten KI-Investitionen erzeugen sogenannte So-so-Automatisierung. Technologie, die Arbeitsplätze vernichtet, ohne die Produktivität nennenswert zu steigern. Kein breiter Wohlstandsgewinn, der neue Nachfrage und damit neue Arbeit erzeugt.

These 3: Umschulung löst das Problem nicht. Die Datenlage ist eindeutig.

Wer die Verdrängung durch agentische KI thematisiert, bekommt fast immer dieselbe Antwort: Umschulung. Menschen müssen lernen, mit KI zu arbeiten. Die Gesellschaft muss in Weiterbildung investieren. Das klingt vernunftbegabt. Es ist empirisch nicht belegt.

Randomisierte kontrollierte Studien zu staatlichen Umschulungsprogrammen, der Goldstandard der Evidenz, zeigen seit Jahrzehnten konsistent: keine statistisch signifikante Verbesserung bei Beschäftigung oder Einkommen. Das amerikanische Trade Adjustment Assistance-Programm, das am besten untersuchte Verdrängungsprogramm der Welt, produzierte bei Teilnehmern sogar höhere Lohnverluste als bei Nicht-Teilnehmern. Das Office of Management and Budget bewertete es als unwirksam. Selbst im schwedischen Modell, das als europäischer Goldstandard gilt, verdienen nur etwa ein Drittel der Umgeschulten hinterher gleich viel oder mehr als vorher.

Das Problem ist nicht der Wille zur Umschulung. Es ist die Zeit. Die Halbwertszeit technischer Kompetenzen ist auf unter fünf Jahre gefallen, für KI-spezifische Fähigkeiten auf etwa zweieinhalb Jahre. KI-Fähigkeiten verdoppeln sich alle sieben Monate. Ein Mensch, der heute eine Umschulung beginnt, läuft strukturell hinter einer Ziellinie her, die sich schneller bewegt als er. Yoshua Bengio, Turing- und Nobelpreisträger, hat es so formuliert: Die Menschen, die ihre Arbeit verlieren, sind nicht notwendigerweise dieselben, die in KI-bezogene Rollen wechseln können. Umschulung setzt eine Kompatibilität voraus, die bei einem wachsenden Teil der Betroffenen nicht besteht.

»Umschulung klingt vernunftbegabt. Aber die Ziellinie bewegt sich schneller als der Mensch, der auf sie zuläuft.«

These 4: Die Einstiegspositionen verschwinden zuerst. Das zerstört mehr als Arbeitsplätze.

Der früheste und zugleich folgenreichste Effekt agentischer KI auf den Arbeitsmarkt ist nicht der Abbau von Seniorpositionen. Es ist das Verschwinden von Einstiegspositionen. Salesforce reduzierte seinen Kundenservice innerhalb kurzer Zeit auf etwa die Hälfte. Klarna strich vierzig Prozent der Belegschaft. McKinsey betreibt inzwischen zwanzigtausend KI-Agenten neben vierzigtausend Menschen. Stanford-Forscher dokumentierten einen deutlichen Rückgang der Beschäftigung junger Erwerbstätiger in KI-exponierten Berufen zwischen 2022 und 2025.

Das ist nicht nur ein Beschäftigungsproblem. Es ist ein Ausbildungsproblem. Einstiegspositionen sind nicht primär produktive Rollen. Sie sind Lernorte. Die Unternehmensberatung, die keine Junior-Berater mehr einstellt, spart Kosten und verliert gleichzeitig die Infrastruktur, aus der ihre Senior-Berater in zehn Jahren stammen sollten. PwC hat dieses Risiko intern benannt: Die Reduktion von Berufseinsteigern könnte die Organisation ihrer künftigen Führungskräfte berauben. Der IWF bestätigt in seiner Forschung von Januar 2026, dass die Einstellungen von Berufseinsteigern bereits zurückgehen.

Gesellschaftlich ist dieser Effekt noch gravierender. Berufsbiographien beginnen mit Einstiegspositionen. Wer keine findet, entwickelt keine berufliche Identität, kein Netzwerk, keine Kompetenz durch Praxis. Das ist keine abstrakte soziologische Beobachtung. Es ist der Beginn eines strukturellen Bruchs zwischen einer Generation und dem Arbeitsmarkt, der länger wirkt als jede Rezession.

These 5: Der Arbeitsmarkt spaltet sich. Nicht in Gewinner und Verlierer, sondern in Steuerbare und Gesteuerte.

Die gängige Erzählung über KI und Arbeit lautet: Es wird Gewinner geben, die mit KI arbeiten, und Verlierer, die von ihr ersetzt werden. Diese Unterscheidung ist zu grob. Die relevantere Trennlinie verläuft nicht zwischen denen, die KI nutzen, und denen, die es nicht tun. Sie verläuft zwischen denen, die KI-Systeme konfigurieren und steuern, und denen, die von KI-Systemen konfiguriert und gesteuert werden.

Das Modell, das sich bereits durchsetzt, heißt: ein Spezialist mit fünfzig KI-Agenten. Was früher ein Team von zehn Menschen erforderte, erledigen heute drei mit entsprechender Infrastruktur. Solo-gegründete Startups machen bereits über ein Drittel aller Neugründungen aus. Die Nachfrage verschiebt sich zu Senior-Architekten, Produktverantwortlichen und Designern, die Standards setzen und Agenten orchestrieren. Gleichzeitig werden die Positionen, die einmal die Mehrheit der Wissensarbeiter ausgemacht haben, nämlich Juniorrollen, Sachbearbeitung, standardisierte Analyse, nicht ergänzt. Sie werden ersetzt.

Für Unternehmen bedeutet das eine Entscheidung, die jetzt getroffen werden muss: Welche Rollen ergänzen KI-Systeme, und welche ersetzen sie? Wer diese Frage nicht stellt, beantwortet sie trotzdem, durch Unterlassen. Die Menschen, die heute in diesen Rollen arbeiten, merken das meistens erst, wenn die Entscheidung längst gefallen ist.

These 6: Die gesellschaftliche Antwort fehlt. Und die Zeit läuft.

Es gibt keine gesellschaftliche Antwort auf agentische KI, die der Geschwindigkeit der Veränderung auch nur annähernd entspricht. Sozialsysteme wurden für eine Welt entworfen, in der Arbeit knapp ist und Kapital verteilt werden muss. Sie sind nicht dafür gebaut, eine Situation zu verwalten, in der Arbeit überschüssig wird. Rentensysteme setzen Beiträge voraus. Krankenversicherungen setzen Beschäftigung voraus. Auch das bedingungslose Grundeinkommen, das in diesen Debatten regelmäßig als Lösung genannt wird, adressiert das materielle Problem, nicht das Grundsätzlichere: die Frage, was Arbeit für Menschen bedeutet jenseits des Einkommens.

Hinton lehnt das Grundeinkommen nicht wegen seiner Kosten ab, sondern wegen seiner Logik. Es adressiere nicht die menschliche Würde. Demis Hassabis, CEO von DeepMind, stellt die systemische Frage: Wenn Regierungen und Unternehmen nicht mehr auf Menschen angewiesen sind, um Wohlstand zu erzeugen, welche Verhandlungsmacht haben Bürger dann noch, um die Grundlagen von Demokratie und einem guten Leben einzufordern? Er hält eine neue politische Philosophie für notwendig. Das ist eine sachliche Beschreibung eines Legitimationsproblems, das entsteht, wenn der gesellschaftliche Vertrag zwischen Arbeit und Teilhabe zerreißt.

Die Reaktionszeiten demokratischer Institutionen sind strukturell zu lang für die Geschwindigkeit dieses Wandels. Das ist kein Argument gegen Demokratie. Es ist ein Argument dafür, jetzt zu handeln, bevor Untätigkeit zur Entscheidung wird. Sam Altman, dessen Unternehmen maßgeblich zu dieser Dynamik beiträgt, hat im April 2026 selbst einen New Deal für das KI-Zeitalter gefordert, inklusive öffentlichem Vermögensfonds und Besteuerung automatisierter Produktion. Dass der CEO des führenden KI-Unternehmens solche Instrumente für notwendig hält, sagt mehr über die interne Einschätzung der Disruption als jede externe Prognose.

»Wenn Regierungen und Unternehmen nicht mehr auf Menschen angewiesen sind, um Wohlstand zu erzeugen, welche Verhandlungsmacht haben Bürger dann noch?«

Wer Weizen ist und wer Spreu, entscheidet sich nicht durch Talent oder Fleiß allein. Es entscheidet sich durch die Position im System: ob jemand Systeme konfiguriert oder von ihnen konfiguriert wird. Ob er Entscheidungen trifft, die KI ausführt, oder Aufgaben erfüllt, die KI bereits erledigen kann. Das Trennende ist die Richtung der Abhängigkeit.

Das ist keine moralische Aussage. Es ist eine funktionale Beschreibung dessen, was gerade passiert. Die Frage, die daraus folgt, ist nicht technologisch. Sie ist politisch: Wer entscheidet, wie dieses System gebaut wird? Und wessen Interessen werden dabei repräsentiert?

Diese Frage ist noch offen. Aber das Zeitfenster schließt sich.