KI-Engpass: Warum nicht Geld, sondern Fachkräfte fehlen

Eine einfache Erklärung dafür, was die Wirtschaft gerade ausbremst — und was das persönlich für Sie bedeutet.

DAS SELTSAME PROBLEM EINER REICHEN WELT

Stellen Sie sich eine Gründerin aus dem Jahr 2010 vor. Um ein Technologieunternehmen zu starten, brauchte sie eine Idee, ein Team und Geld. Am schwersten zu bekommen war meistens genau das Geld: monatelanges Abklappern von Investoren, das Beweisen der Erfolgsaussichten, das Überzeugen zur Beteiligung. Eine typische Startrunde war vergleichsweise klein.

Kommen wir nun in die Gegenwart. Laut Crunchbase ist die mediane Seed-Runde in den USA im Vergleich zu 2018 etwa auf das Dreifache gestiegen und liegt inzwischen bei rund 3 Millionen US-Dollar. Große Startrunden für KI-Unternehmen sind deutlich üblicher geworden. 2025 stiegen die Unternehmensinvestitionen in KI sprunghaft an, und die Ausgaben der größten Technologiekonzerne für Rechenzentren-Infrastruktur erreichten historische Dimensionen. Google etwa meldete für 2025 Investitionsausgaben von über 150 Milliarden US-Dollar. [Stanford AI Index 2026][Crunchbase News] ⁴¹⁴³⁴⁵

Geld ist also vorhanden — zumindest bei den Unternehmen an der Spitze des KI-Wettlaufs. Rechenkapazitäten werden aufgebaut. Die Modelle werden leistungsfähiger.

Und trotzdem haben diese Unternehmen ein Problem bekommen, das vor wenigen Jahren noch schwer vorstellbar gewesen wäre: Sie finden keine Menschen, die all das in ein funktionierendes Produkt verwandeln können. ⁴²

Nicht irgendwelche Menschen. Gebraucht werden Fachkräfte, die eine komplexe Aufgabe präzise formulieren, den Kontext verstehen, die Antwort der KI prüfen, sie in einen Arbeitsprozess einbetten und das Ergebnis zu Ende bringen können.

Genau darum geht es in diesem Artikel. Wir schauen uns an, was die KI-Wirtschaft wirklich ausbremst, was die Forschung dazu zeigt, warum sich die Lage in den USA, China, Europa, Deutschland und Russland unterscheidet — und was das alles persönlich für Sie bedeutet. (Wer sich für die Kompetenzfrage aus Bildungsperspektive interessiert, findet dazu mehr in unserem Beitrag „Bildung im Zeitalter von KI“.)

TEIL 1 — GELD HAT FAST ALLES GEKAUFT

Zurück zu unserer Gründerin. Heute könnte sie Folgendes haben: - Kapital; - Cloud-Computing und fertige KI-Modelle; - Zugang zu Daten und Software; - Büro, Ausstattung und Auftragnehmer; - Automatisierungswerkzeuge.

Aber um all das in ein reales Produkt zu verwandeln, muss jemand unbequeme Fragen beantworten: - Was genau muss getan werden? - Welches Problem lösen wir? - Wo verbessert KI den Prozess wirklich? - Welche Daten kann man ihr anvertrauen? - Woran erkennt man, dass das Modell falschliegt? - Was tun in einer untypischen Situation? - Wer trägt die Verantwortung für das Endergebnis?

Genau hier entsteht der Engpass — der Bottleneck, wörtlich der „Flaschenhals“.

Wie viele Ressourcen auch von oben hereinkommen: Das Ergebnis fließt nur mit der Geschwindigkeit der langsamsten Komponente. Fehlt einem Unternehmen nicht das Geld und nicht die Modelle, sondern Menschen, die die Arbeit richtig organisieren können, verwandeln sich zusätzliche Investitionen nicht automatisch in zusätzlichen Output.

Eine wichtige Klarstellung: Das Problem liegt nicht in der Anzahl der Arbeitsstunden als solcher. Stunden gibt es in der Welt reichlich. Das Problem liegt in der Fähigkeit, sie für komplexe Arbeit einzusetzen.

Eine Stunde einer erfahrenen Ingenieurin, die die Aufgabe versteht, die Grenzen des Systems erkennt und das Ergebnis prüfen kann, ist nicht dieselbe Ressource wie eine Stunde einer Anfängerin, die nur Anweisungen ausführen kann.

Genauer wäre es deshalb, nicht von einem Mangel an Menschenstunden zu sprechen, sondern von einem Mangel an Menschen, die Folgendes können:

- die richtige Aufgabe stellen; - KI mit dem Fachgebiet verbinden; - das erzielte Ergebnis prüfen; - in einer untypischen Situation eine Entscheidung treffen; - die Verantwortung für die Folgen tragen.

Wenn das Erzeugen von Text, Code und Standardanalysen billig wird, kann sich der Mangel tatsächlich zur Aufgabenstellung, zur Expertise und zur Verantwortung verschieben. Das bedeutet aber nicht, dass KI einfach nur „die Besten stärker macht“. Sie kann auch weniger erfahrene Mitarbeitende bei typischen Aufgaben stark nach vorne bringen. Die zentrale Frage ist deshalb nicht nur, wer KI bedienen kann, sondern wer ihre Möglichkeiten in einen funktionierenden Prozess verwandeln kann.

Wie aus KI ein Ergebnis wird

Um zu verstehen, warum sich KI nicht automatisch in Produktivitätswachstum verwandelt, hilft es, sich die Wirtschaft als mehrere voneinander abhängige Schichten vorzustellen:

KI senkt die Kosten typischer kognitiver Operationen und erhöht damit die potenzielle Produktivität. Von dort hängt das Ergebnis an mehreren weiteren Schichten: Fähigkeiten und Fachexpertise → Organisation und Arbeitsabläufe → Daten, Software und Integration → Infrastruktur und physische Ausführung → Reales Ergebnis.

KI erhöht die potenzielle Produktivität, aber jede weitere Schicht braucht zusätzliche Voraussetzungen. Ist auch nur eine davon schwach, wird sie zum Bottleneck und begrenzt das gesamte Ergebnis.

Dabei muss der Bottleneck nicht dauerhaft ganz unten sitzen. Im digitalen Geschäft können es Fähigkeiten, Organisation oder Daten sein. In Rechenzentren, Robotik und Produktion können Rechenleistung, Energie, Ausrüstung und physische Ausführung zur Grenze werden.

TEIL 2 — WAS DIE WISSENSCHAFT ZEIGT

Fakt 1 — KI spart Zeit, baut die Arbeit aber nicht von selbst um

Eines der größten Feldexperimente untersuchte 7.137 Beschäftigte in 66 Unternehmen. Die Mitarbeitenden erhielten Zugang zu einem KI-Tool, das in E-Mail-, Dokument- und Meeting-Anwendungen integriert war.

KI veränderte ihre Arbeitsgewohnheiten tatsächlich. Regelmäßige Nutzerinnen und Nutzer verbrachten rund zwei Stunden pro Woche weniger mit E-Mails und arbeiteten seltener Überstunden. Die Forschenden fanden jedoch keine signifikanten Veränderungen bei Anzahl oder Zusammensetzung der Aufgaben, die bei den Beschäftigten anfielen.

Das ist ein wichtiger Unterschied.

Die Studie hat nur die Verteilung der Arbeitszeit gemessen — den gesamten Output der Unternehmen erfasst sie nicht. Man kann daraus also nicht schließen, dass Produktivität oder Umsatz nicht gestiegen sind. Der ehrliche Schluss ist bescheidener:

KI kann Zeit freisetzen — entscheidet aber nicht von allein, wofür diese Zeit genutzt wird.

Damit aus der Zeitersparnis ein neues Produkt, ein zusätzliches Projekt oder Produktivitätswachstum wird, muss jemand Prioritäten, Prozesse, KPIs und Verantwortlichkeiten anpassen.

Mit anderen Worten: Individuelle Zeitersparnis ist nicht gleichbedeutend mit einer automatischen Neuorganisation des Unternehmens.

Fakt 2 — KI gleicht Leistungsunterschiede an, hebt Expertise aber nicht auf

In einer Studie mit 5.179 Support-Mitarbeitenden steigerte ein KI-Assistent die Produktivität im Schnitt um 14 %. Der Effekt verteilte sich jedoch sehr ungleich: Bei Neulingen und weniger qualifizierten Beschäftigten lag der Zuwachs bei rund 34 %, während er bei den erfahrensten Mitarbeitenden minimal war.

Das bestätigt nicht die einfache Formel „je stärker die Expertin, desto mehr verstärkt sie KI“. Die Realität ist interessanter. ¹⁷

KI kann weniger erfahrenen Mitarbeitenden einen Teil des praktischen Wissens vermitteln, das früher nur über Jahre der Berufserfahrung zugänglich war. Dadurch kann sich die Lücke zwischen Neuling und erfahrener Fachkraft bei der Ausführung einer Standardaufgabe verringern.

Das heißt aber nicht, dass Expertise überflüssig wird. Sie verschiebt sich auf eine andere Ebene: - welche Aufgabe überhaupt gelöst werden sollte; - welche Lösung zum geschäftlichen Kontext passt; - wo die Antwort der KI unvollständig oder riskant ist; - welche Folgen ein Fehler hätte; - wer die endgültige Entscheidung treffen sollte.

KI kann eine Neulingin in der Ausführung einer einzelnen Operation an die Expertin heranführen. Beim Systemverständnis und bei der Verantwortung für das Ergebnis macht sie beide jedoch nicht gleich.

Ein weiteres Experiment mit 776 Fachkräften bei Procter & Gamble zeigte, dass Teilnehmende mit KI Ergebnisse erzielen konnten, die mit denen von Zweierteams ohne KI vergleichbar waren. Die Studie zeigte außerdem, dass KI half, Grenzen zwischen unterschiedlichen Funktionsbereichen zu überwinden.

KI verstärkt also nicht nur einzelne Mitarbeitende. Sie verändert auch die Art, wie Expertise innerhalb von Teams kombiniert wird.

Fakt 3 — KI verringert die Qualifikationslücke, zerstört aber nicht das Humankapital

In einem randomisierten Experiment mit 1.174 Teilnehmenden verbesserte KI die Ergebnisse aller Gruppen — half aber Menschen mit niedrigerem Bildungsniveau stärker.

Ohne KI lagen Teilnehmende mit Hochschulabschluss um 0,548 Standardabweichungen vor Teilnehmenden mit niedrigerem Bildungsniveau. Bei Nutzung von KI schrumpfte die Lücke auf 0,139 Standardabweichungen — um etwa drei Viertel.

Die Lücke verschwand jedoch nicht vollständig. Höher gebildete Teilnehmende nutzten das Werkzeug effizienter, und nach dem Abschalten der KI kehrte ein Teil des ursprünglichen Unterschieds zurück.

Man kann sich das wie einen guten Taschenrechner vorstellen. Er hilft, schneller zu rechnen, macht aber nicht automatisch zur Mathematikerin. Man muss trotzdem wissen, welche Formel zu wählen ist, welche Daten zu verwenden sind und wie man ein unplausibles Ergebnis erkennt.

KI wirkt deshalb gleichzeitig auf mehreren Ebenen: - sie macht einen Teil des Humankapitals zugänglicher; - sie verkleinert die Lücke bei der Ausführung einzelner Aufgaben; - sie bewahrt Unterschiede im Kontextverständnis, im Urteilsvermögen und in der eigenständigen Arbeit.

Fakt 4 — Für die KI-Einführung braucht es nicht nur spezielle KI-Kompetenzen

Untersuchungen der OECD zeigen, dass fehlende Kompetenzen eines der Haupthindernisse für die KI-Einführung sind. ³³ Dabei muss die Mehrheit der Beschäftigten keine Spezialistinnen für maschinelles Lernen werden. Für ein breites Spektrum an Berufen ist Wichtigeres gefragt:

- Umgang mit Daten; - kritisches Denken; - Lösen untypischer Probleme; - Kommunikation; - Management; - die Fähigkeit, KI-Ergebnisse zu prüfen und zu erklären.

Die OECD betont, dass die meisten von KI betroffenen Beschäftigten keine spezialisierten Fähigkeiten wie Modellentwicklung oder Sprachverarbeitung benötigen werden. Aber der Inhalt ihrer Arbeit und die Kompetenzanforderungen werden sich verändern.

Auch im deutschen Fall nennen Arbeitgeber den Fachkräftemangel als eines der Haupthindernisse für die KI-Verbreitung. ⁹

Das Problem sieht also nicht so aus: „Uns fehlt eine Million KI-Spezialistinnen.“

Es sieht eher so aus: „Uns fehlt eine große Zahl von Menschen, die KI innerhalb eines konkreten beruflichen Systems einsetzen können.“

Fakt 5 — Die Verdrängung findet vor allem auf Ebene der Aufgaben statt

Paneldaten aus den Jahren 2010 bis 2023 zeigen, dass die Nachfrage nach bestimmten, mit KI automatisierbaren Aufgaben sinkt. ²⁴ Die Gesamtbeschäftigung verändert sich jedoch deutlich schwächer.

Ein Grund dafür ist die Produktivität. Wenn ein Unternehmen eine einzelne Aufgabe günstiger erledigt, kann es den Output ausweiten, neue Projekte starten oder Nachfrage nach anderen Arten von Arbeit schaffen.

Deshalb verändert KI häufiger die Zusammensetzung eines Berufs, als dass sie ihn vollständig verschwinden lässt. Aus der Arbeit können verschwinden:

- die erste Recherche; - das Erstellen von Standarddokumenten; - manuelle Klassifizierung; - Standardberichte; - die erste Datenaufbereitung.

Gleichzeitig wächst die Bedeutung von: - Aufgabenstellung; - Qualitätskontrolle; - Kommunikation; - Systemintegration; - der Arbeit mit Ausnahmefällen; - Entscheidungsfindung.

Das bedeutet nicht, dass massive Verdrängung unmöglich ist. Es bedeutet nur, dass in der frühen Phase des technologischen Zyklus einzelne Vorgänge schneller ersetzt werden, als ganze Berufe verschwinden. ²⁹

Fakt 6 — Unternehmen bauen sich langsamer um als die Technologie

Den anschaulichsten Beleg dafür liefert Dänemark. Forschende verknüpften Daten zur KI-Nutzung mit Verwaltungsdaten zu Beschäftigten und Arbeitgebern.

Sie fanden eine schnelle Einführung von Chatbots, einen Anstieg der subjektiv wahrgenommenen Produktivität und das Entstehen neuer Aufgaben — etwa die Kontrolle der KI und die Integration der Tools in Arbeitsabläufe. Zwei Jahre nach dem Erscheinen von ChatGPT fanden die Forschenden jedoch keine statistisch signifikanten Veränderungen bei Löhnen oder Arbeitsstunden.

Das heißt nicht, dass KI nicht funktioniert. Vielmehr verändert die Technologie bereits die Struktur der Arbeit, aber die Organisationen haben ihre Geschäftsmodelle noch nicht darum herum neu aufgebaut.

Die Formel lautet: KI + fähige Menschen + umgebaute Prozesse = Ergebnis.

Fehlt auch nur eine Komponente, kann das technologische Potenzial ungenutzt bleiben.

Genau deshalb sind KI, die bestehende Aufgaben automatisiert, und KI, die neue Aufgaben schafft, nicht dasselbe. Automatisierung kann die Nachfrage nach Arbeit senken. Das Schaffen neuer Aufgaben kann dagegen neue Nachfrage nach menschlichen Fähigkeiten erzeugen. Auf diesen Unterschied weisen Acemoglu, Autor und Johnson gesondert hin.

TEIL 3 — WIE DAS PROBLEM IN VERSCHIEDENEN LÄNDERN AUSSIEHT

Die grundlegende Frage ist überall dieselbe: Was begrenzt die Umwandlung von KI und Kapital in ein Ergebnis? Die Antwort fällt jedoch von Land zu Land unterschiedlich aus. ¹⁰³²

USA — Kapital relativ zugänglich, Umsetzung teuer

Die USA bleiben führend bei privaten KI-Investitionen. Laut Stanford AI Index übersteigen die amerikanischen Investitionen die chinesischen deutlich, wobei solche Vergleiche unvollständig bleiben: staatliche Finanzierung und intransparente Förderformen werden in verschiedenen Ländern unterschiedlich erfasst.

Für die führenden US-KI-Unternehmen sind Kapital und Rechenleistung relativ zugänglich. ³⁷ Zum Engpass werden jedoch:

- Fachkräfte, die ein Modell zu einem Produkt weiterentwickeln können; - Implementierungsingenieurinnen; - Spezialistinnen für Sicherheit und Regulierung; - Menschen, die Branchenprozesse verstehen; - die Fähigkeit, ein Produkt über den Demonstrationsprototyp hinaus zu skalieren.

Die Stärke der USA sind Kapital, Universitäten, eine unternehmerische Kultur und ein großer Technologiesektor.

Die Schwäche ist die hohe Kostenlast für Talente, die Konzentration von Ressourcen und das Risiko, dass KI die Kluft zwischen Menschen, die auf Systemebene arbeiten können, und jenen, deren Aufgaben sich leicht standardisieren lassen, vergrößert.

China — Produktionsmaßstab als Antwort auf den Personalmangel

China begegnet demografischen und personellen Engpässen mit massiver Robotisierung, Automatisierung und dem Einsatz von KI in der Produktion. ¹⁸

Eine Studie auf Basis von Daten zu rund 1,6 Millionen chinesischen Stellenangeboten zeigt: Ein Anstieg der Nachfrage nach KI-Fachkräften geht mit steigender Nachfrage und höheren Gehältern in komplementären Berufen einher. Das spricht eher für eine Ergänzung menschlicher Arbeit als für ihre unmittelbare Verdrängung. ³

Die chinesische Frage betrifft also nicht nur die Anzahl der KI-Spezialistinnen. Ebenso wichtig ist die Fähigkeit, Folgendes miteinander zu verbinden:

- Basismodelle; - technische Umsetzung; - industrielle Ausrüstung; - Produktionsprozesse; - kommerzielle Einführung.

Chinas Stärke ist der Produktionsmaßstab und das Tempo der industriellen Einführung. ⁴ Die Begrenzung liegt in der Notwendigkeit, Modelle, Ausrüstung, Personal und Binnennachfrage gleichzeitig zu entwickeln.

Europa und Deutschland — das Einführungsproblem

Der europäische Fall zeigt die Rolle komplementärer Fähigkeiten besonders deutlich.

Eine Studie der Europäischen Investitionsbank mit einer Stichprobe von über 12.000 Unternehmen verknüpft die KI-Einführung mit einem Anstieg der Arbeitsproduktivität um rund 4 % und betont die Bedeutung begleitender Investitionen in Software, Daten und Schulung.

Dabei führen europäische Unternehmen KI im Durchschnitt langsamer ein als amerikanische. Eine NBER-Studie führt den Unterschied nicht nur auf den Technologiezugang zurück, sondern auch auf Managementpraktiken, Arbeitsorganisation und darauf, ob ein Unternehmen den KI-Einsatz überhaupt fördert. ¹¹

Für Deutschland ist dieses Problem besonders relevant. Das Land verfügt über eine starke Industrie, eine gute Ingenieursausbildung und eine große Zahl mittelständischer Unternehmen. Gerade kleinen und mittleren Unternehmen fehlt jedoch häufig:

- Fachkräfte für die Auswahl von Lösungen; - Daten in einer für KI nutzbaren Form; - Integration mit bestehenden Systemen; - Zeit für den Umbau von Prozessen; - die Bereitschaft der Führungsebene zu experimentieren. ¹⁶¹⁸

Es entsteht eine geschlossene Schleife: Es fehlen Menschen → man muss automatisieren → für die Automatisierung braucht man Fachkräfte → auch Fachkräfte fehlen.

Russland — Mangel an Menge und an Qualität zugleich

Der russische Fall ist dadurch geprägt, dass sich ein quantitativer Arbeitskräftemangel mit einem Mangel an Menschen verbindet, die auf einem anspruchsvolleren Niveau arbeiten können.

Die verschiedenen Schätzungen des Fachkräftemangels weichen deutlich voneinander ab, da sie unterschiedliche Methoden verwenden: offene Stellen, demografische Prognosen, Arbeitgeberbefragungen und Schätzungen des strukturellen Defizits. Sie lassen sich deshalb nicht einfach addieren. Der Gesamteindruck stimmt jedoch überein: Das Problem ist nicht nur vorübergehend, sondern strukturell. ²⁵³⁰³¹

Daten der Higher School of Economics (HSE) zu mehr als 700.000 Stellenanzeigen zeigen, dass KI-Kompetenzen bislang in weniger als 3 % der Anzeigen verlangt werden, während die Gehaltsprämie dafür von 31,8 % auf 11,8 % gesunken ist.

Das bedeutet: Die Fähigkeit, ein populäres KI-Tool zu bedienen, hört rasch auf, selten zu sein. Ihr Marktwert sinkt.

Die Nachfrage wächst auf einer anderen Ebene — bei Menschen, die eine konkrete, komplexe Aufgabe mithilfe von KI lösen können.

Die Formel lautet: Ich kann KI bedienen — die Kompetenz verbilligt sich. Ich kann eine konkrete berufliche Aufgabe mithilfe von KI lösen — der Wert steigt.

Auch die HSE-Studie findet keine klaren Anzeichen für eine breite Verdrängung von Menschen durch KI auf dem russischen Arbeitsmarkt. ²⁶ Bislang überwiegt der Ergänzungseffekt: KI-Kompetenzen steigern den Wert analytischer und Management-Fähigkeiten.

USA — Stärke: Kapital, Rechenleistung, Unternehmertum. Hauptproblem: teure Fachkräfte und Skalierung. Bottleneck: Menschen, die KI zum Produkt weiterentwickeln. China — Stärke: Produktion, Robotik, industrieller Maßstab. Hauptproblem: Verbindung von Modellen mit der Realwirtschaft. Bottleneck: Integration von KI, Ingenieurwesen und Produktion. Deutschland und Europa — Stärke: Industrie, Bildung, Ingenieurbasis. Hauptproblem: langsame Einführung, fehlende komplementäre Kompetenzen. Bottleneck: organisatorische Fähigkeit zur KI-Einführung. Russland — Stärke: Ingenieursschule und hohe Arbeitskräftenachfrage. Hauptproblem: struktureller Mangel an Menge und Qualität. Bottleneck: sowohl Beschäftigtenzahl als auch komplexe Expertise.

TEIL 4 — DAS PARADOX, DASS KI DAS PROBLEM LÖST UND ZUGLEICH SCHAFFT

KI setzt menschliche Zeit frei, erhöht aber gleichzeitig die Nachfrage nach Menschen, die mit ihr umgehen können. Auf den ersten Blick ein Widerspruch.

Tatsächlich wirken hier mehrere Mechanismen gleichzeitig.

KI macht bestimmte Aufgaben billiger. Dadurch können Unternehmen mehr solcher Aufgaben erledigen, neue Projekte starten und Produkte anbieten, die früher zu teuer waren. ¹⁹²⁰

Das erinnert an den Jevons-Effekt: Eine effizientere Nutzung einer Ressource kann ihren Gesamteinsatz vergrößern. Der KI-Mechanismus reicht jedoch über das klassische Jevons-Paradox hinaus. Hier wirken gleichzeitig:

- Produktivitätswachstum; - das Entstehen neuer Aufgaben; - Komplementarität zwischen KI und Mensch; - Nachfrageausweitung; - die Automatisierung einzelner Vorgänge.

Deshalb können heute beide Aussagen zugleich zutreffen: - Unternehmen fehlen Menschen, die KI wirksam einführen können; - KI verringert allmählich die Nachfrage nach einem Teil der Routineaufgaben genau dieser Beschäftigten.

Das ist kein Widerspruch, sondern unterschiedliche Phasen des technologischen Zyklus.

Zunächst stärkt KI die Beschäftigten und schafft Nachfrage nach komplementären Kompetenzen. Dann wird ein Teil der Aufgaben standardisiert. Danach kann die Verdrängung der nächsten Arbeitsschicht beginnen.

Für den Einzelnen ist die Schlussfolgerung eindeutig: Die grundlegende Beherrschung des Werkzeugs kann jetzt einen Vorteil verschaffen, wird aber schnell zur Selbstverständlichkeit. Nachhaltiger geschätzt wird nicht das Werkzeug selbst, sondern die Fähigkeit, es innerhalb eines konkreten beruflichen Systems einzusetzen.

TEIL 5 — WAS ZU TUN IST

Was Staaten und Unternehmen tun sollten

Die Forschung liefert kein einziges fertiges politisches Rezept. Sie weist aber auf mehrere stabile Richtungen hin.

Erstens: praxisnahe Weiterbildung. Die meisten Beschäftigten müssen keine Modellentwicklerinnen werden. Sie brauchen angewandte Fähigkeiten: Umgang mit Daten, Analyse, kritische Prüfung, Aufgabenstellung und Prozessmanagement. ³⁴³⁹

Zweitens: Unterstützung für kleine Unternehmen. Ein großes Unternehmen kann ein eigenes KI-Team einstellen, ein kleiner Betrieb muss die Technologie meist in die Arbeit bereits vorhandener Mitarbeitender integrieren. ²²²³

Drittens: Veränderung der Prozesse selbst. Schulung ohne Anpassung von KPIs und Arbeitsabläufen bringt begrenzten Nutzen. Ein Unternehmen sollte vorab entscheiden, was mit der frei gewordenen Zeit geschehen soll.

Viertens: Investitionen in komplementäre Ressourcen. KI braucht nicht nur Modelle, sondern auch Daten, Software, Sicherheit, Integration und geschulte Mitarbeitende.

Fünftens: Infrastruktur. Elektrizität, Rechenzentren, Netze und Rechenkapazitäten werden immer wichtiger. Infrastruktur ohne Menschen und Prozesse, die sie nutzen können, schafft jedoch keine Produktivität von selbst.

Was Sie konkret tun können

Schritt 1: Nutzen Sie KI in der echten Arbeit

Beginnen Sie nicht mit endlosem Studium von Übersichten und Tool-Listen. Wählen Sie konkrete Aufgaben:

- Dokumente; - Tabellenanalyse; - Fehlersuche; - Entwurfserstellung; - Recherche; - Klassifizierung; - technische Dokumentation; - Automatisierung wiederkehrender Vorgänge.

Entscheidend ist nicht, dass man das Tool kennt, sondern ein wiederholbares Ergebnis.

Schritt 2: Vertiefen Sie sich in Ihren Beruf — nicht gegen KI, sondern mit ihr

KI kann besonders Neulingen bei typischen Aufgaben stark helfen. Fachliches Verständnis bleibt aber notwendig, um:

- die richtige Aufgabe auszuwählen; - dem Modell den nötigen Kontext zu geben; - einen Fehler zu bemerken; - ein Risiko einzuschätzen; - das Ergebnis anderen zu erklären; - eine Entscheidung zu treffen. „Beruf plus KI“ ist deshalb meist stabiler als „nur KI“. ³⁵

Schritt 3: Lernen Sie, Aufgaben zu lösen — nicht nur Anweisungen auszuführen

Eine schwache Aufgabenstellung klingt so: „Übersetzen Sie diesen Text.“

Eine wertvollere Aufgabenstellung sieht anders aus: „Die Umsätze sinken, das Budget ist begrenzt, und das Team ist überlastet. Welche Daten müssen geprüft werden, welche Szenarien gibt es, und welche Entscheidung birgt das geringste Risiko?“

KI kann helfen, Informationen zu sammeln, Optionen zu entwickeln und eine Analyse vorzubereiten. Aber zu bestimmen, welche Frage wirklich wichtig ist, die Annahmen zu prüfen und die Entscheidung zu treffen, müssen Sie selbst.

Schritt 4: Bauen Sie den Prozess um — nicht nur den einzelnen Vorgang beschleunigen

Die Nachfrage nach Fachkräften wird nicht nur deshalb steigen, weil sie KI bedienen können, sondern weil sie den Arbeitsprozess verändern können.

Man muss verstehen: - welche Daten als Eingabe dienen; - wo KI anwendbar ist; - wo eine menschliche Prüfung zwingend ist; - wer die finale Entscheidung trifft; - wie Qualität gemessen wird; - was bei einem Fehler passiert.

Das ist der Übergang von „ich nutze KI“ zu „ich habe einen Prozess gebaut, in dem KI ein messbares Ergebnis erzeugt“.

Schritt 5: Halten Sie den Effekt fest

Wenn ein Prozess früher acht Stunden dauerte und jetzt drei Stunden mit KI plus zwei Stunden Prüfung braucht, ist das nicht nur „ich kann mit KI umgehen“.

Damit haben Sie eine konkrete Prozessverbesserung erzielt.

Halten Sie fest: - die ursprüngliche Zeit; - die neue Abfolge der Schritte; - die Zahl der manuellen Vorgänge; - die Fehlerzahl; - die nötige Kontrolle; - die erzielte Ersparnis; - die Auswirkung auf Qualität oder Frist.

Ein Portfolio solcher Ergebnisse ist wertvoller als die allgemeine Aussage, mit KI vertraut zu sein. ³⁸

Schritt 6: Bauen Sie eine Kombination von Fähigkeiten auf

Die stabilste Strategie besteht nicht darin, den einen „Beruf der Zukunft“ zu erraten, sondern eine Verbindung zu entwickeln aus:

Fachexpertise × KI-Kompetenz × kritischem Denken × Kommunikation × Lernfähigkeit.

Die grundlegende Beherrschung des Werkzeugs wird mit der Zeit zur Norm. Der Wert verschiebt sich zu Menschen, die mehrere Bereiche miteinander verbinden können und für das Ergebnis des gesamten Systems verantwortlich sind. ⁴⁰

Worauf Sie sich einstellen sollten

Rechnen Sie damit, dass „ich kann mit KI umgehen“ bald kein eigenständiger Vorteil mehr sein wird.

Stellen Sie sich auf einen Umbau der Aufgaben innerhalb Ihres Berufs ein. Am ehesten verschwindet zuerst dessen routinemäßiger Teil, seltener der Beruf als Ganzes.

Gleichzeitig wird KI manche Arten von Arbeit verringern und andere schaffen. Für den Einzelnen bedeutet das keine garantierte Sicherheit, sondern die Notwendigkeit, sich regelmäßig zu anspruchsvolleren Aufgaben zu bewegen.

Zwischen denen, die KI in ihr Arbeitssystem einbetten können, und denen, die sie nur als Textgenerator nutzen, wird die Kluft wachsen.

Und stellen Sie sich schließlich auf permanentes Lernen ein: Ein einmal gewählter Beruf verschwindet dadurch nicht zwangsläufig — aber sein Inhalt wird sich schneller verändern als bisher.

HÄUFIGE FRAGEN

Muss ich Programmieren lernen, um von KI zu profitieren? Nein. Die Forschung zeigt: Die meisten Beschäftigten brauchen keine Fähigkeiten in Modellentwicklung oder maschinellem Lernen. Wichtiger sind Umgang mit Daten, kritisches Denken und die Fähigkeit, KI-Ergebnisse zu prüfen und in einen Arbeitsprozess einzubetten.

Warum lässt hohe Investition in KI nicht automatisch die Produktivität steigen? Weil KI nur eine von mehreren Schichten ist, die zwischen Kapital und Ergebnis liegen. Fehlen Fähigkeiten, Organisation oder Daten, wird genau diese Schicht zum Engpass — unabhängig davon, wie leistungsfähig das Modell selbst ist.

Was bedeutet das konkret für kleine Unternehmen und Selbstständige? Vor allem, dass die Einführung von KI-Tools allein wenig bringt, wenn niemand im Betrieb die Aufgabenstellung, Prüfung und Prozessanpassung übernimmt. Genau diese Fähigkeit — nicht der reine Werkzeuggebrauch — wird zum entscheidenden Vorteil.

FAZIT

Geld und KI schaffen für sich genommen kein Wirtschaftswachstum. ⁴⁴⁴⁸ Wachstum entsteht dort, wo eine Wirtschaft verfügbares Kapital und billige kognitive Operationen in funktionierende Prozesse, Produkte und Entscheidungen verwandeln kann. Der zentrale Mangel des KI-Zeitalters sind deshalb nicht einfach Menschen, sondern Menschen und Organisationen, die eine Aufgabe stellen, die Maschine prüfen, den Prozess umbauen und für das Ergebnis geradestehen können.

Heute liegt der Engpass oft bei Kompetenzen und organisatorischer Fähigkeit. Künftig kann er sich zu Daten, Rechenleistung, Energie, Robotern oder physischer Produktion verschieben.

Der persönliche Schluss bleibt jedoch derselbe: Versuchen Sie nicht, die Person zu werden, die die heutige KI am besten bedient. Werden Sie die Person, die es versteht, ständig zur nächsten Ebene von Aufgaben überzugehen.

Beruf plus KI ist stärker als nur KI. Und die Fähigkeit, KI in ein messbares Ergebnis zu verwandeln, ist stärker als die bloße Vertrautheit mit dem Werkzeug.

LITERATURVERZEICHNIS

Chinesische Studien zu KI-Talenten

1. 胡芳欣，马茹，苏于君 (2026). 日本人工智能人才引进的战略举措研究与启示. 中国科学院院刊. 2. 李晓华 (2025). 人工智能国际竞争对就业的影响. 北京工业大学学报(社会科学版). 3. 张婷婷，赵华平 (2025). 人工智能创新链产业链人才链融合的时空演化及影响因素研究. 工业技术经济. 4. 苏玺鉴，胡安俊 (2023). 人工智能的产业与区域渗透：态势，动力，模式与挑战. 经济学家. 5. 佳磊聂 (2026). 数字经济背景下人工智能技术扩散的产业效应与发展管理研究. 经济与管理发展研究. 6. 封金妍，吴晓隽 (2025). 人工智能对地区产业结构升级的影响. World Economic Research. 7. 季丁筠，刘书妤，马新啸 (2026). 人工智能何以赋能做强做优做大实体经济？——基于国家新一代人工智能创新发展试验区的准自然实验和企业产能利用率的视角. Journal of Technology Economics. 8. 郭震，任一笑，朱梦楠，侯佳文 (2025). 中国式现代化目标下人工智能发展：理论解释及实践路径. 科技创业月刊.

Deutschland und EU

9. Lamprecht P. (2021). What is Wrong with the German Economy? The Case for Openness to Technology and Human Capital. ECIPE Policy Brief. 10. Li Z. (2023). Government responses to digital workforce shortages: a study of the US, Germany, Japan, and China. International Conference on Human-Computer Interaction, Springer. 11. Ionașcu C.M. (2025). Artificial intelligence adoption in the European Union: A data-driven cluster analysis (2021–2024). Economies. 12. Digital Competence and AI Section (2026). From data literacy to AI-integrated Laboratory 4.0. Journal of Laboratory Medicine. 13. Soare S.R. (2023). European military AI: Why regional approaches are lagging behind. The AI Wave in Defence Innovation. 14. Jurczuk A., Florea A. (2022). Future-oriented digital skills for process design and automation. Human Technology. 15. Manganelli A. (2025). Competitiveness, digital transformation and EU policies. CERRE. 16. Sánchez E., Calderón R., Herrera F. (2025). Artificial intelligence adoption in SMEs: Survey based on TOE–DOI framework, primary methodology and challenges. Applied Sciences.

Globale Studien zu KI und Arbeitsmarkt

17. Kolb C., Caron J. (2026). Cheap, Fallible Cognition and the Political Economy of Expertise. arXiv:2608.11512. 18. Wang Y., Wu Z.Y. (2026). Research on Bottlenecks and Solutions of AI-Empowered Digital Transformation of SMEs Under the Digital Economy. ICAIBD, IEEE. 19. Bellon M., Deb P., Gandhi M., Rockall E. (2026). Unlocking AI-Led Productivity Growth in the United Kingdom. IMF eLibrary. 20. Galetic F., Walter D. (2026). The Economic Paradox of AI Productivity: Reconciling Technological Progress with Growth. Proceedings of FEB Zagreb International Conference. 21. Shah J.K. (2023). Data leadership in HCM and BPO — driving transformation with analytics and AI. Journal of Computer Science and Technology Studies. 22. Arora M., Ahmad V., Arora T. et al. (2024). Digital transformation and talent management. Green Metaverse for Human Resources. 23. Budhwar P., Malik A., De Silva M.T.T. et al. (2022). Artificial intelligence–challenges and opportunities for international HRM: a review and research agenda. International Journal of Human Resource Management. 24. Restrepo P., Thompson N., Lashkari D. et al. (2026). We Won't Be Missed: Work and Growth in the AGI World. Economics of Transformative AI.

Russland

25. Queiroz S., Direito D. (2025). Artificial intelligence in BRICS Countries: sovereignty, development stages, and different perspectives. IPEA. 26. Firsov M.V., Filatova O.N., Bulaeva M.N., Koldina M.I. et al. (2026). Developing an Algorithm to Study the Vulnerability of Occupations to Artificial Intelligence in the Framework of Sustainable Development Research. Springer. 27. Somov A., Ergunova O. et al. (2025). Neural Network-Based Signal Processing for Social and Labor Data Analytics in Smart Megacities. IEEE. 28. Artemenko V.G. (2025). Forecast of the Labor Supply of Highly Qualified ICT Specialists in Russia. Studies on Russian Economic Development, Springer. 29. Maimina E., Puzynya T., Grishina T., Psareva N. et al. (2019). New Professions emerging out of the Development of Robotics. Espacios. 30. Edmonds J., Bendett S., Fink A., Chesnut M. et al. (2021). Artificial intelligence and autonomy in Russia. 31. Leonova T.N., Sineglazova V.Y., Eygel M.Y. (2026). The Russian labor market in 2030: trends, prospects, tools, and mechanisms. Vestnik Universiteta. 32. Beckley M. (2026). AI, Demographics, and the Rise and Fall of Great Powers. Geopolitics of AI: Power, Conflict, and the Future of Nations.

Kompetenzlücke (Skills Gap)

33. Lane M., Saint-Martin A. (2021). The impact of Artificial Intelligence on the labour market: What do we know so far? OECD Social, Employment and Migration Working Papers. 34. Pandey K. (2025). Artificial intelligence and the evolving labor market: A comprehensive review and policy roadmap. Journal of Computer Science and Technology Studies. 35. Portocarrero Ramos H.C., Cruz Caro O. et al. (2025). Artificial intelligence skills and their impact on the employability of university graduates. Frontiers in Artificial Intelligence. 36. Gu Y., Wang Y. (2025). The impact of artificial intelligence on labor market income inequality. International Journal of Advanced Science. 37. Felten E.W., Raj M., Seamans R. (2019). The occupational impact of artificial intelligence: Labor, skills, and polarization. NYU Stern School of Business. 38. Mahmud F., Goffer M.A., Chakraborty P. et al. (2024). AI-powered workforce analytics forecasting labor market trends and skill gaps for US economic competitiveness. Journal of Computer Science and Technology Studies. 39. Van Haeften W., Zhang R. et al. (2024). Bridging the AI skills gap in Europe: A detailed analysis of AI skills and roles. 37th Bled eConference. 40. Zhu Y. (2026). Bridging Skill Gaps and Labor Markets through Intelligent Career Pathway Recommendation. Global Media and Social Sciences Research Journal.

Venture Capital und Startups

41. Alqahtani N., Frimpong K. et al. (2026). Venture capabilities, ecosystem conditioning and scaling pathways: evidence from technology startups in the Middle East. Journal of Small Business and Enterprise Development. 42. Balan B., Huang S., Chen X., Chau C.H., Dudeja A., Qin N. (2025). The Evolution of Acquihires 2.0. SSRN. 43. Wanyancha M. (2026). When Everyone has the Same AI: Competitive Advantage for Startups under Generative AI Commoditization. SSRN. 44. Wanyancha M., Mollel M.L. (2026). When Does AI Capability Convert to Advantage? A Complementarity-Gated Framework for Startups in Resource-Constrained Economies. Journal of Information Technology, Cybersecurity, and Artificial Intelligence. 45. Kim J.D., Conti A. (2026). Generative AI and Venture Scaling. SSRN. 46. Khan A. (2024). Digital Transformation and Venture Capital in Startup Ecosystems. SSRN. 47. Sheng Y. (2026). Analysing the Impact of Regulatory and Cultural Factors on Recent Graduates Initiating AI Technology Startups in China's Urban Centers. University of Stirling. 48. Manjarres-Henriquez L., Jimenez-Celin Y. et al. (2026). Unpacking innovation in technology-based entrepreneurship: the role of venture capital, networks and research capacity in an emerging economy. International Journal of Innovation Science.