Vergütung und Fairness im KI-Zeitalter: Was zahlen Sie der Person, deren Agents die Arbeit von fünf erledigen?

Von Victor Hoang · Aktualisiert am 22. September 2026

Vergütung und Fairness im KI-Zeitalter ist die ungelöste Frage, was man jemandem zahlen soll, dessen KI-Agents ihn leisten lassen, wofür früher vier oder fünf Personen nötig waren. Eine gesicherte Antwort gibt es noch nicht. Die Logik der outputbasierten Vergütung bricht, sobald ein Tool den größten Teil der Hebelwirkung liefert, und die historische Bilanz darüber, wer Produktivitätsgewinne behält, macht den Beschäftigten wenig Mut.

Das ist keine Regellücke, die ein cleveres Vergütungsmodell leise schließt. Es ist eine offene Debatte, die gerade in den Vergütungsausschüssen geführt wird, zwischen zwei Positionen, die nicht beide vollständig stimmen können: nach Output bezahlen, weil das Unternehmen genau das bekommt, oder für das Urteilsvermögen hinter dem Output bezahlen, weil die Agents gemietet sind und das Urteilsvermögen nicht. Die meisten Unternehmen beantworten die Frage nebenbei, durch das, was ihre bestehenden Gehaltsbänder zufällig bewirken.

Warum die outputbasierte Vergütungslogik bricht, wenn das Tool die Hebelwirkung liefert

Die Logik „Bezahlung nach Output“ beruht auf einer Annahme, die nie jemand aussprechen musste: Der Output war überwiegend eine Funktion der Person. Wer dreimal so viele Abschlüsse erzielte wie der durchschnittliche Kollege, galt als dreimal so kompetent. Ein Analyst, der fünf Modelle pro Woche statt eines lieferte, war nach derselben Logik etwa fünfmal so viel wert. Der Output war ein brauchbarer Indikator für den individuellen Beitrag, weil das fast ein ganzes Jahrhundert lang ungefähr stimmte.

Die alte Formel: Die Bezahlung folgte dem Grenzprodukt

Die Vergütungstheorie nennt das Bezahlung nach dem Grenzprodukt: dem zusätzlichen Wert, den die nächste Arbeitsstunde einer Person für das Unternehmen schafft. Das funktionierte recht gut, solange die Tools zweier Personen in derselben Rolle austauschbar waren. Wenn beide einen Laptop und ein CRM hatten, ließ sich der Output-Unterschied tatsächlich auf etwas an ihnen selbst zurückführen: Urteilsvermögen, Einsatz, Technik.

Was sich ändert, wenn die Hebelwirkung gemietet und nicht verdient ist

KI-Agents lassen diesen Indikator unbemerkt zerbrechen. Ein Support-Mitarbeiter, der mit einem Agent arbeitet, der Antworten entwirft und nur die schwierigen Fälle eskaliert, kann fünfmal so viele Tickets schließen wie ein Kollege ohne Unterstützung. Nicht, weil er fünfmal besser ist, sondern weil er das Fünffache an Tool-Leistung mietet. Naiv angewendet, belohnt die Logik „Bezahlung nach Output“ damit, wer zuerst den besseren Agent-Stack bekam, und das ähnelt eher einer Hardware-Zuteilung als einem Leistungssignal. Es ist dieselbe Messlücke, die Messung individueller Beiträge in KI-gestützter Arbeit behandelt: Sobald ein Tool den Rohoutput aufbläht, taugt der Output nicht mehr als sauberer Stellvertreter für die Person dahinter.

Nichts davon heißt, dass der Output unwichtig wird. Es heißt, dass sich die ehrliche Frage verschoben hat: von „Wie viel hat diese Person produziert?“ zu „Wie viel davon stammt aus Urteilsvermögen und wie viel aus der Hebelwirkung, die das Unternehmen bereitgestellt hat?“. Die meisten Leistungssysteme wurden nie dafür gebaut, beides zu trennen.

Die historische Antwort: Kapitalgetriebene Gewinne gingen selten an die Beschäftigten

Jedes Mal, wenn ein Unternehmen vor einer Version dieser Frage stand, ob das Tool nun eine Maschine oder eine Software war, zeigt sich ein dokumentiertes Muster dafür, was mit dem Geld geschieht. Es fließt standardmäßig nicht im Verhältnis zur gewonnenen Produktivität an die Beschäftigten.

Die Lücke zwischen Produktivität und Lohn

Ökonomen der Federal Reserve Bank of St. Louis haben die US-Arbeitsproduktivität seit den frühen 1970er-Jahren mit den Reallöhnen verglichen und kamen bis Ende 2022 auf eine aufgelaufene Lücke von rund 70 %, wobei die Löhne mit Verbraucherpreisen bereinigt wurden. Mit einem anderen Preismaß schrumpft die Lücke erheblich, und das sollte man offen sagen: Ihre Größe hängt von der Methodik ab, und Ökonomen streiten darüber, welches Maß welche Frage beantwortet. Was sich bei keinem Maß ändert, ist die Richtung: Die Löhne haben seit rund einem halben Jahrhundert nicht mit dem Output pro Stunde Schritt gehalten. Eine eigene, überparteiliche Analyse des Congressional Research Service kommt zum selben Ergebnis: Produktivität und Löhne entwickelten sich bis in die 1970er-Jahre gemeinsam und liefen danach auseinander, wobei ein schrumpfender Anteil der Arbeit am Volkseinkommen einen Großteil der Erklärung liefert.

Was das Expertise-Modell für KI vorhersagt

Eine genauere Perspektive liefern die MIT-Ökonomen David Autor und Neil Thompson, deren Forschung von 2025 zur Expertise einen Mechanismus statt einer einzelnen Zahl bietet. Automatisierung hat zwei gegensätzliche Lohneffekte, je nachdem, was sie entfernt. Entfernt sie den Routineanteil einer Tätigkeit und lässt das Expertenurteil übrig, wird die verbleibende Rolle schwerer zu besetzen: Zwischen 1980 und 2018 sank die Beschäftigung von Buchhaltern um rund ein Drittel, während die Reallöhne der Verbliebenen um fast 40 % stiegen, weil das Übrige mehr Urteilsvermögen verlangte. Entfernt sie stattdessen den Experten- und schwer erlernbaren Teil, passiert das Gegenteil: Als die Automatisierung die spezialisiertesten Aufgaben der Lagerverwalter übernahm, wurde die Tätigkeit so leicht, dass sich die Beschäftigung mehr als verdoppelte, während die Reallöhne um etwa 13 % fielen.

Welchem der beiden Fälle ein KI-Rollout ähnelt, ist eine Gestaltungsentscheidung, die die meisten Unternehmen unbeabsichtigt treffen, und sie sagt das Vergütungsergebnis besser voraus als jede erklärte Absicht, „KI-getriebenen Output zu belohnen“. Ein Agent, der die lästigen 80 % einer Tätigkeit übernimmt und die anspruchsvollen 20 % übrig lässt, spricht für höhere Bezahlung pro verbleibender Person. Ein Agent, der den differenzierenden Teil übernimmt und die Aufsicht übrig lässt, spricht für das Gegenteil. Nur wenige Unternehmen haben gefragt, welcher von beiden ihr eigener Rollout ist.

Vergütungsfrage, alte Logik und was sich mit KI-Hebelwirkung ändert

Wahrgenommene Fairness, Vertrauen und warum das keine weiche Kennzahl ist

Jede mechanische Frage von oben stößt irgendwann auf eine psychologische: Glaubt die Person, die die Arbeit macht, fair bezahlt zu werden, unabhängig davon, was die Tabelle sagt? Das ist keine Nebensächlichkeit. In der Vergütungsforschung gehört es zu den verlässlicher gemessenen Treibern von Vertrauen und Fluktuation, und KI verschärft es.

Was passiert, wenn Mitarbeitende glauben, unterbezahlt zu sein

Die Equity-Theorie, die J. Stacey Adams Anfang der 1960er-Jahre vorschlug, besagt, dass Menschen Fairness beurteilen, indem sie das Verhältnis ihrer Inputs (Einsatz, Können, Zeit) zu den Ergebnissen (Bezahlung, Anerkennung, Entwicklung) mit dem Verhältnis einer Vergleichsperson abgleichen. Wirkt der Vergleich einseitig, reduzieren Menschen ihren Einsatz, fordern eine Erhöhung, werten den Vergleich ab oder gehen.

Aktuelle Daten stützen das. Payscales Fair Pay Impact Report 2025 fand, dass die meisten Beschäftigten glauben, unterbezahlt zu sein, selbst wenn sie marktgerecht oder darüber bezahlt werden, und dass Mitarbeitende, die sich unterbezahlt fühlen, mit 45 % höherer Wahrscheinlichkeit innerhalb von sechs Monaten auf Jobsuche sind als fair bezahlte, unabhängig vom tatsächlichen Verdienst. Eine weitere Salary.com-Umfrage von 2026 ergab, dass Beschäftigte, die ihre Bezahlung als unfair einstufen, mehr als fünfmal so häufig von schwindendem Vertrauen in ihren Arbeitgeber berichten (36,4 %) wie Beschäftigte, die sich fair bezahlt fühlen (6,6 %). Vertrauen folgt der wahrgenommenen Fairness weit enger als der tatsächlichen Vergütung. Genau deshalb betrachtet Kultur und Mitarbeiterbindung die Wahrnehmung der Bezahlung als eigenen Hebel für die Bindung und nicht nur als Posten in der Kostenrechnung.

Der KI-Haken: der Vergleich mit einer Maschine

Die Equity-Theorie ging davon aus, dass der Bezugspunkt eine andere Person ist. KI-Hebelwirkung verkompliziert das: Eine Mitarbeiterin, deren Output sich über einen Agent-Stack verdreifacht hat, muss abwägen, ob die Bezahlung den verdreifachten Output, die unveränderte Kompetenz darunter oder eine unausgesprochene Mischung widerspiegeln soll. Bleibt das unadressiert, schlägt die Unklarheit entweder in Groll um (das Unternehmen streicht den ganzen Gewinn ein) oder in das Gefühl, überbezahlt zu sein. Beides untergräbt das Vertrauen am Arbeitsplatz, das Vertrauen am Arbeitsplatz aufbauen als Voraussetzung für nahezu alles andere beschreibt, was ein Team gut macht.

Sollten KI-Kompetenzen einen Lohnaufschlag tragen, und wie schnell schwindet er?

Unabhängig von der Fairness gibt es eine engere, besser messbare Frage: Bringt die Arbeit mit KI heute einen echten Lohnaufschlag, und wie beständig ist er?

Der Aufschlag ist real und wächst schnell

PwCs Global AI Jobs Barometer 2025, der sich auf knapp eine Milliarde Stellenanzeigen in 24 Ländern stützt, stellte für Rollen, die KI-Kompetenzen verlangen, einen Lohnaufschlag von 56 % gegenüber vergleichbaren Rollen fest, mehr als das Doppelte der 25 %, die dieselbe Analyse ein Jahr zuvor ermittelt hatte. Lightcast kam mit einer vorsichtigeren Methode über 1,3 Milliarden Anzeigen auf eher 28 %, also rund 18.000 $ pro Jahr, und auf 43 % bei Anzeigen, die zwei oder mehr KI-Kompetenzen verlangen. Beide messen Unterschiedliches (PwC betrachtet, was KI-kompetente Rollen zahlen; Lightcast, was Arbeitgeber ausschreiben), was einen Teil der Differenz erklärt, doch beide zeigen in dieselbe Richtung: real und wachsend.

Warum solche Aufschläge selten Bestand haben

Ein Aufschlag, der sich binnen zwölf Monaten mehr als verdoppelt hat, ist ungewöhnlich, und diese Geschwindigkeit wirkt in beide Richtungen. So große Aufschläge entstehen typischerweise früh in einer Adoptionskurve, wenn eine Kompetenz tatsächlich knapp ist, und neigen dazu, sich zurückzubilden, sobald sie zur Grundvoraussetzung wird, wie es bei mehr als einer Welle gefragter technischer Kompetenzen in den letzten zwei Jahrzehnten zu beobachten war. Belastbare Daten zum Abbau gibt es bisher nicht, da der Aufschlag selbst erst seit knapp einem Jahr im großen Maßstab gemessen wird. Betrachten Sie die Zahlen von 56 % oder 28 % als Momentaufnahme eines Marktes in der Knappheitsphase, nicht als dauerhaftes Merkmal, und bauen Sie eine Regelung, die sich nach unten anpassen lässt, ohne dass eine schmerzhafte Neuverhandlung nötig wird.

Gehaltskompression zwischen KI-gestützten Juniors und erfahrenen Seniors

Ein heikleres Problem zeigt sich innerhalb eines einzelnen Teams: Was passiert mit dem Gehaltsabstand zwischen einem Junior, dessen Agent-Stack das Output-Niveau eines Seniors annähert, und dem Senior-Kollegen, der dasselbe Urteilsvermögen über Jahre auf dem langsameren Weg aufgebaut hat?

Das Kompressionsszenario

Wenn eine Mitarbeiterin mit zwei Jahren Erfahrung, die KI-Agents versiert orchestriert, Arbeit liefert, die in Umfang und Qualität mit der einer zehnjährigen Veteranin vergleichbar ist, wirkt die erfahrungsbasierte Gehaltsleiter für beide willkürlich, aus gegensätzlichen Gründen. Die Juniorin sieht denselben Output und fragt sich, warum die Bezahlung nicht gleich ist. Die Seniorin sieht KI-gestützten Output am selben Maßstab gemessen wie ihr hart erarbeitetes Urteilsvermögen und fragt sich, wofür die Jahre gut waren. Dieselbe Spannung wird aus Karriereleiter-Sicht in Karrierewege im Zeitalter der KI behandelt: Was „Senior“ bedeutet, wird schwerer zu definieren, sobald es an der Oberfläche leichter zu imitieren ist.

Warum das vorübergehend sein könnte, oder auch nicht

Ein Argument sieht darin ein Übergangsphänomen: KI-gestützter Output sieht an der Oberfläche dem Expertenoutput ähnlich, aber die Lücke im Urteilsvermögen (zu wissen, wann die KI falsch liegt, wann der polierte Entwurf eine schlechte Annahme verbirgt) ist nicht verschwunden, nur weniger sichtbar. Aus dieser Sicht ist die Kompression ein Messfehler, den die Bewertung irgendwann korrigiert. Das Gegenargument: Wenn KI die Lücke beim sichtbaren Output schneller schließt, als die Bewertung nachziehen kann, bezahlt der Markt das, was er beobachten kann, und Jahre impliziten Urteilsvermögens bringen keinen Aufschlag mehr, so wie die gebrochene unterste Sprosse es für die Einstiegsjobs beschreibt, die dieses Urteilsvermögen früher aufbauten. Niemand hat bislang genug Längsschnittdaten, um zu sagen, welche Zukunft näher an der Wahrheit liegt.

Wie eine ehrliche Regelung aussieht

Die praktische Aufgabe besteht nicht darin, die eine richtige Formel zu finden. Sie besteht darin, eine Regelung aufzubauen, die ihre Annahmen offen nennt, damit Mitarbeitende die Begründung nachvollziehen können, auch wo sie nicht einverstanden sind, und sie zu überarbeiten, ohne dass sich das wie ein gebrochenes Versprechen anfühlt, wenn sich die Belege verschieben.

Fragen, die Sie vor der Festlegung einer Regelung beantworten sollten

Halten Sie schriftlich fest, ob Ihre Gehaltsbänder Output, Urteilsvermögen oder eine ausdrückliche Mischung belohnen, denn die meisten Unternehmen haben das nie tatsächlich entschieden. Prüfen Sie, ob ein bestimmter KI-Rollout dem Buchhalter-Muster ähnelt (Routinearbeit entfällt, Urteilsvermögen verdichtet sich) oder dem Lagerverwalter-Muster (Expertenarbeit entfällt, die Rolle wird zur Massenware), denn beide sprechen für gegensätzliche Anpassungen. Entscheiden Sie, bevor jemand im Einzelgespräch danach fragt, ob ein KI-Kompetenzaufschlag ein echter Bestandteil Ihrer Philosophie oder eine vorübergehende Marktanpassung ist, und sagen Sie, welcher von beiden. Das gehört in dasselbe Gespräch wie Performance Management, wenn KI die Arbeit macht, denn Bewerten setzt Definieren voraus, und es sollte sich auf die KI-komplementären Kompetenzen stützen, die Ihr Unternehmen tatsächlich belohnen will, nicht auf die, die auf dem Arbeitsmarkt am lautesten sind.

Was Sie Mitarbeitenden nicht versprechen sollten

Versprechen Sie nicht, dass die Bezahlung dem individuellen Output eins zu eins folgt, denn genau diese Verbindung bricht gerade. Versprechen Sie nicht, dass ein KI-Kompetenzaufschlag dauerhaft ist, denn Aufschläge dieser Größe bilden sich tendenziell zurück, sobald die Kompetenz nicht mehr knapp ist. Behandeln Sie Fairness nicht als nachrangig gegenüber den „echten“ Zahlen: Die Daten oben zeigen, dass wahrgenommene Fairness Vertrauen und Fluktuation verlässlicher vorhersagt als die meisten Output-Kennzahlen. Und behandeln Sie das nicht als DEI-Häkchen, getrennt von der Kern-Vergütungsstrategie: Gehaltskompression und KI-bedingte Output-Inflation treffen Rollen und Betriebszugehörigkeiten ungleich, und eine Regelung, die das ignoriert, taucht so oder so als Fairness-Beschwerde auf.

Nichts davon liefert eine Formel, die man einem Vergütungsausschuss überreichen und als erledigt abhaken kann. Es liefert eine vertretbare Position: aufmerksam gegenüber den Belegen, ehrlich darüber, was noch nicht bekannt ist, und darauf ausgelegt, sich zu ändern, wenn bessere Daten vorliegen. Die Vergütung ist nur ein Teil der größeren Frage, die was die Zukunft der Arbeit ist zu beantworten versucht, und bei diesem Teil ist „ungeklärt“ in diesem Jahr vielleicht der ehrlichste Standpunkt.

Wichtige Fakten

• Die aufgelaufene Lücke zwischen US-Arbeitsproduktivität und Reallöhnen (Verbraucherpreis-Deflator) erreichte bis Ende 2022 rund 70 %, wobei die Größe stark davon abhängt, welcher Preisindex die Löhne bereinigt. Quelle: Federal Reserve Bank of St. Louis, FRED Blog, 2023
• Automatisierung, die Routineaufgaben entfernt, hebt tendenziell die Löhne und senkt die Beschäftigtenzahl (Buchhalter: Beschäftigung um etwa ein Drittel gesunken, Reallöhne um fast 40 % gestiegen, 1980-2018); Automatisierung, die Expertenaufgaben entfernt, bewirkt tendenziell das Gegenteil (Lagerverwalter: Beschäftigung mehr als verdoppelt, Reallöhne um etwa 13 % gesunken). Quelle: Autor and Thompson, „Expertise“, NBER, 2025
• Rollen, die KI-Kompetenzen verlangen, erzielten einen Lohnaufschlag von 56 %, mehr als das Doppelte der vor einem Jahr erfassten 25 %, auf Basis von knapp einer Milliarde Stellenanzeigen in 24 Ländern. Quelle: PwC 2025 Global AI Jobs Barometer, berichtet von Open Data Science
• Eine separate Analyse von 1,3 Milliarden Stellenanzeigen ergab einen vorsichtigeren Lohnaufschlag für KI-Kompetenzen von 28 % (etwa 18.000 $ pro Jahr), der bei zwei oder mehr KI-Kompetenzen auf 43 % steigt. Quelle: Lightcast, „Beyond the Buzz“, über PR Newswire, 2025
• Mitarbeitende, die glauben, unterbezahlt zu sein, selbst bei marktgerechter oder höherer Bezahlung, sind mit 45 % höherer Wahrscheinlichkeit innerhalb von sechs Monaten auf Jobsuche als fair bezahlte. Quelle: Payscale, 2025 Fair Pay Impact Report
• Beschäftigte, die ihre Bezahlung als unfair einstufen, berichten mehr als fünfmal so häufig von schwindendem Vertrauen (36,4 %) wie fair bezahlte (6,6 %). Quelle: Salary.com research, August 2026, über GlobeNewswire