Die kaputte unterste Sprosse: Wie KI den Weg untergräbt, auf dem Nachwuchskräfte zu Expertinnen und Experten werden

Von Victor Hoang · Aktualisiert am 22. September 2026

Die „kaputte unterste Sprosse" beschreibt, was passiert, wenn KI die Recherche für erste Entwürfe, Routinecode, einfache Analysen und Zusammenfassungen übernimmt, die Berufseinsteiger früher erledigten. Diese Arbeit war nie nur billiger Output, den man weiterreichte. Durch sie bauten Nachwuchskräfte Urteilsvermögen auf, durch Wiederholung, Korrektur und den Einblick, wie erfahrene Menschen denken. Wenn KI die Übungseinheiten entfernt, schrumpft nicht nur eine Einstellungszeile, es verschwindet ein Ausbildungsmechanismus, den noch niemand ersetzt hat.

Das ist keine abgeschlossene Geschichte. Die Daten zur Einstellung von Berufseinsteigern sind tatsächlich umstritten, und eine faire Lesart muss zwei Dinge zugleich festhalten: Mit jungen Beschäftigten in KI-exponierten Rollen geschieht etwas Reales, und das Bild ist unübersichtlicher und stärker konzentriert, als es Schlagzeilen vom „Verschwinden der Einstiegsjobs" nahelegen.

Was die Fleißarbeit tatsächlich lehrte

Jahrzehntelang funktionierten die ersten zwei Jahre in einem Wissensjob wie eine unglamouröse Lehre. Ein Junior Analyst baute den ersten Entwurf eines Modells, damit ein Senior Analyst ihn korrigieren konnte, und die Korrektur war die Lektion. Eine Associate im ersten Jahr fasste Rechtsprechung zusammen, damit ein Partner ihr sagen konnte, was sie übersehen hatte, und die Lücke zwischen Zusammenfassung und Einschätzung des Partners war die Ausbildung. Ein Junior Engineer schrieb Boilerplate und führte Unit-Tests aus, nicht weil die Codebasis es brauchte, sondern weil man durch das Schreiben schlechten Codes und dessen Review lernt, guten Code zu schreiben.

Nichts davon sah im Organigramm nach Ausbildung aus. Es sah nach Arbeit in einer Kostenstelle aus: günstige Arbeitskräfte, die Aufgaben erledigten, die kein Senior machen wollte. Doch der Output war ein Nebeneffekt. Das eigentliche Produkt war eine Nachwuchskraft, die achtzehn Monate später Tausende kleiner Korrekturen zu etwas verinnerlicht hatte, das dem Instinkt nahekommt. Ökonomen nennen das implizites Wissen: Know-how, das sich nicht vollständig aufschreiben lässt und nur erwirbt, wer die Aufgabe oft genug schlecht erledigt, um das Muster zu erkennen. Der MIT-Ökonom David Autor und Neil Thompson bauen in ihrem Paper von 2025 zu Expertise genau darauf ein Framework auf: Die Wirkung von Automatisierung hängt davon ab, ob sie die Routineaufgaben entfernt, die Expertise aufbauen, oder die spezialisierten Aufgaben, die sie nutzen, und beides hat gegenläufige Effekte auf Löhne und Beschäftigung.

KI-Agenten und KI-Copiloten erledigen heute einen großen Teil dieser routinemäßigen, korrekturerzeugenden Arbeit direkt: Sie entwerfen das Memo, schreiben den Boilerplate, fassen das Transkript zusammen und markieren die offensichtlichen Fehler, bevor ein Mensch einen groben Entwurf zu sehen bekommt. Das ist ein echter Fähigkeitsgewinn. Es ist aber auch, unbeabsichtigt, die Beseitigung genau des Mechanismus, der aus einer 22-Jährigen oder einem 22-Jährigen jemanden mit 30 machte, dem man Urteilsentscheidungen anvertrauen kann.

Bricht die Einstellung von Berufseinsteigern wirklich ein? Was die Evidenz zeigt

Drei unabhängige Datenquellen weisen in dieselbe Richtung, wenn auch nicht im selben Ausmaß, und es kommt darauf an, genau zu benennen, was jede einzelne misst.

SignalFires State-of-Talent-Report 2026, erstellt aus Einstellungsdaten tausender wagniskapitalfinanzierter und großer Technologieunternehmen, stellte fest, dass die Einstellung von Berufseinsteigern und Absolventen bei großen Technologiearbeitgebern gegenüber 2019 um rund 65 % gesunken ist, bei Early-Stage-Startups um etwa 76 %. Der Bericht benennt den Mechanismus direkt: Die zwölf bis achtzehn Monate, die ein Junior Engineer früher mit „Boilerplate-Code, Unit-Tests und Routine-Debugging" verbrachte, übernehmen heute Coding-Assistenten, sodass Unternehmen aufhörten, für die Aufgabe einzustellen statt für die Person.

Die rigorosere akademische Evidenz stammt aus dem Digital Economy Lab der Stanford University. In einer Analyse vom August 2026 auf Basis von ADP-Gehaltsdaten, die Millionen Beschäftigte abdeckt, stellten die Ökonomen Erik Brynjolfsson, Bharat Chandar und Ruyu Chen fest, dass die Beschäftigung von 22- bis 25-Jährigen in stark KI-exponierten Berufen etwa 19 % unter dem Niveau liegt, das sie gehabt hätte, wäre sie wie die Beschäftigung gleichaltriger Personen in weniger exponierten Berufen verlaufen. Diese Lücke hat sich vergrößert, von 15 % im Juli 2025 auf 19 % ein Jahr später, ein Zeichen dafür, dass es sich um einen sich beschleunigenden Trend handelt und nicht um eine einmalige Korrektur.

Was die Daten nicht zeigen

Genau gelesen ist das Stanford-Paper präziser und begrenzter als die Schlagzeilen dazu. Die Forschenden betonen ausdrücklich, dass sie keine Belege für „weitverbreitete, die gesamte Wirtschaft erfassende Arbeitsplatzverluste im Zusammenhang mit KI" finden. Der Effekt konzentriert sich auf bestimmte, stark KI-exponierte Berufe, darunter Softwareentwicklung und Kundensupport, und nicht auf den Arbeitsmarkt insgesamt. Der Mechanismus ist weniger Einstellung junger Beschäftigter, keine Entlassungswelle. Ältere, erfahrenere Beschäftigte in denselben Berufen sehen nicht den gleichen Rückgang, und wo KI menschliche Aufgaben ergänzt statt ersetzt, ist die Beschäftigung jüngerer Beschäftigter stabil oder steigt sogar.

Die Führung von LinkedIn hat dasselbe Muster aus anderer Perspektive angesprochen. In einem viel diskutierten Gastbeitrag in der New York Times vom Mai 2025 schrieb Aneesh Raman, Chief Economic Opportunity Officer von LinkedIn, er sehe, wie „die unterste Sprosse der Karriereleiter bricht", und verwies auf junge Programmierer, deren Debugging-Arbeit in KI-Tools gewandert ist, und Paralegals im ersten Jahr, die zusehen, wie sich die Dokumentenprüfung in KI-gestützte Workflows verlagert. LinkedIns eigene Arbeitsmarktdaten zeigen, dass die Einstellungen insgesamt weiterhin mehr als 20 % unter dem Niveau vom Dezember 2019 liegen, ein generell schwächerer Arbeitsmarkt, der es erschwert, den KI-spezifischen Effekt von gewöhnlicher gesamtwirtschaftlicher Schwäche zu trennen. Manches, was nach einer KI-Geschichte aussieht, ist auch eine Geschichte von Einstellungsstopps, und beides sauber zu entflechten ist weiterhin eine offene Frage.

Die ehrliche Zusammenfassung: Mit der Einstellung junger Beschäftigter in einer bestimmten Gruppe KI-exponierter Rollen geschieht etwas Konkretes und Reales, der Trend sieht eher nach Ausweitung als nach Stabilisierung aus, und er ist nicht zu einem flächendeckenden Einbruch am Arbeitsmarkt geworden. Planen Sie mit der ersten Aussage. Bleiben Sie skeptisch gegenüber der zweiten.

Das Problem der Weitergabe impliziten Wissens

Selbst wenn sich die Einstellungszahlen stabilisieren, bleibt ein zweites, leiseres Problem: was mit der Qualität der Einstiegsjobs geschieht, die es noch gibt, sobald die Aufgaben darin ausgehöhlt sind.

Der Philosoph Michael Polanyi beschrieb das so: „Wir können mehr wissen, als wir sagen können." Geübtes Urteilsvermögen lässt sich oft nicht vollständig als Regel formulieren. Ein erfahrener Underwriter kann eine Kreditakte ansehen und spüren, dass etwas nicht stimmt, bevor er erklären kann, warum. Ein Partner kann das Memo einer Nachwuchskraft lesen und wissen, dass es dünn ist, bevor er das fehlende Argument benennen kann. Dieser Instinkt ist der verdichtete Niederschlag tausender früherer Korrekturen, die meisten als ausdrückliche Erinnerung vergessen und nur als Mustererkennung behalten. Diesen Niederschlag kann man nicht herunterladen. Man sammelt ihn an, durch die konkreten, mühsamen Aufgaben, die KI jetzt schneller und besser erledigt.

Das schafft ein echtes Gestaltungsproblem, nicht nur ein Einstellungsproblem. Eine Nachwuchskraft, die noch eingestellt wird, deren gesamte Aufgabe aber darin besteht, KI-generierte Entwürfe zu prüfen und freizugeben, ohne je selbst einen schlechten ersten Entwurf zu erstellen, verpasst den Schritt, in dem Korrektur verinnerlicht wird. Die Arbeit anderer zu prüfen lehrt, Fehler zu erkennen. Es lehrt weit weniger über das Denken, das den Fehler von vornherein vermeidet, jene Art, die man nur aufbaut, indem man sich selbst durch die Aufgabe kämpft. Das ist ein Grund, warum das Onboarding-Design jetzt bewusst neu aufgebaut werden muss: Der alte Standard, man gibt ihnen die Fleißarbeit und sie finden sich schon zurecht, funktioniert nicht mehr, wenn keine Fleißarbeit mehr zu verteilen ist.

Was Nachwuchskräfte früher lernten, was KI jetzt erledigt und wie man das Lernen ersetzt

Das Muster ist in jeder Zeile dasselbe: Das Lernen lag nie in der Herstellung des Ergebnisses. Es lag in der Lücke zwischen dem ersten Versuch einer Nachwuchskraft und der Korrektur durch eine Expertin oder einen Experten. Wenn KI diese Lücke schließt, indem sie den ersten Versuch selbst unternimmt, besteht die Lösung darin, sie bewusst wieder zu öffnen, als gestaltete Übung statt als zufälliges Nebenprodukt billiger Arbeit.

Das Problem der Senior-Pipeline: Was in fünf bis zehn Jahren passiert

Das ist der Teil, den die meiste Berichterstattung über KI und Jobs auslässt, weil er eine Prognose ist und keine Messung, und Prognosen verdienen mehr Vorsicht, als Schlagzeilen ihnen geben. Aber der Mechanismus ist klar genug: Die heutigen Senior Engineers, Analysten und Associates wurden größtenteils durch die Einstiegs-Fleißarbeit von gestern ausgebildet. Wenn diese Fleißarbeit für die 2024 bis 2026 eingestellte Kohorte tatsächlich dünner geworden ist, sammeln die Menschen, die Anfang der 2030er-Jahre die Träger des Urteilsvermögens sein würden, nicht die Übungseinheiten an, die sie früher hervorbrachten.

SignalFires Report benennt das direkt, nennt es ein „systemisches Risiko", das entsteht, „wenn eine ganze Branche aufhört, in Nachwuchstalente zu investieren", und warnt vor einer möglichen Führungslücke in fünf bis zehn Jahren. Das ist eine Aussage einer Venture-Firma, die ein eigenes Interesse daran hat, dass Portfoliounternehmen weiter Nachwuchs einstellen, also behandeln Sie sie als Hypothese, nicht als Tatsache. Doch die zugrunde liegende Logik hängt nicht davon ab, wer sie ausspricht: Expertise braucht Jahre, um aufgebaut zu werden, diese Zeit ist derzeit unberücksichtigt, sobald die Aufgaben, die sie aufbauten, automatisiert sind, und kein erprobter Ersatzmechanismus läuft bisher im großen Maßstab. Eine Organisation, die ihre Nachwuchs-Pipeline drei Jahre in Folge ausdünnt, ohne die Lernschleife bewusst zu ersetzen, wettet auf ihre Bank von 2032, die sie vermutlich nicht eingepreist hat. Dieselbe Logik ist der Grund, warum die KI-Talentstrategie jetzt eine echte Make-or-Buy-Entscheidung über Expertise selbst enthalten muss, nicht nur Headcount-Rechnerei: Senior-Talente aus einem schrumpfenden Pool einkaufen oder intern mit einer neu gestalteten Lehre aufbauen. Was ein Unternehmen den Nachwuchskräften schuldet, die es tatsächlich einstellt, da der alte Handel des Ausbildens aus Versehen nicht mehr gilt, ist genau die Frage, die der Gesellschaftsvertrag der KI bei der Arbeit Arbeitgeber ehrlich beantworten lässt, statt es dem Zufall zu überlassen.

Kann KI auch implizites Wissen weitergeben? Die Gegenevidenz

Das Bild ist nicht rein subtraktiv, und ein fairer Artikel muss das sagen. Es gibt echte Evidenz dafür, dass KI bei gezieltem Einsatz den Abstand zwischen Novizen und Experten verkürzen kann, statt nur die Übungseinheiten der Novizen zu entfernen.

Das klarste Beispiel ist eine groß angelegte Studie der Ökonomen Erik Brynjolfsson, Danielle Li und Lindsey Raymond, veröffentlicht im Quarterly Journal of Economics, über mehr als 5.000 Kundensupport-Mitarbeitende, denen ein generativer KI-Assistent zur Seite gestellt wurde. Die durchschnittliche Produktivität stieg um 14 %, aber der Zuwachs war ungleich verteilt: Neulinge und weniger qualifizierte Mitarbeitende verbesserten sich um 34 %, während sich die Erfahrensten kaum bewegten. Die Erklärung ist wichtig: Das Tool hatte die Muster der besten Mitarbeitenden des Unternehmens gelernt und gab dieses destillierte Fachwissen in Echtzeit an alle anderen weiter, es wirkte weniger wie eine Abkürzung an der Lernkurve vorbei und mehr wie ein Coach, der einem Neuling über die Schulter schaut.

Diese Unterscheidung, KI als Mechanismus der Wissensweitergabe versus KI als Mechanismus der Aufgabenentfernung, ist überwiegend eine Gestaltungsentscheidung und keine Tatsache über die Technologie. Ein Tool, das zeigt „so würde ein Top-Performer das formulieren", lehrt. Ein Tool, das den Kunden einfach direkt beantwortet, tut es nicht. Die meisten Unternehmen greifen standardmäßig zur zweiten, schnelleren Option, weil sie im nächsten Quartal in einer Produktivitätskennzahl auftaucht. David Autor vertritt in seinem NBER-Paper von 2024 einen verwandten, optimistischeren Standpunkt und argumentiert, die eigentliche Chance der KI liege darin, Beschäftigten ohne formale Abschlüsse Entscheidungsunterstützung auf Expertenniveau zugänglich zu machen, in Medizin, Recht und Handwerk, und damit eine Form von Expertise zu demokratisieren, für die man früher Jahre der Lehre brauchte. Er beschreibt das als das, was möglich ist, nicht als Prognose dessen, was Unternehmen bauen werden.

Was Führungskräfte konkret tun können

Keine der folgenden Maßnahmen ist exotisch. Es sind bewusste Ersatzlösungen für einen Lernmechanismus, der früher automatisch als Nebeneffekt teurer menschlicher Arbeit entstand und jetzt gezielt gestaltet werden muss.

Gezieltes Üben als Budgetposten behandeln, nicht als Luxus

Die Forschung des Psychologen Anders Ericsson zu Expertise ergab, dass reine Stunden im Job keine Fertigkeit aufbauen; strukturiertes Üben mit schnellem, konkretem Feedback tut es. Vor der KI lieferte die Fleißarbeit der Nachwuchskräfte beides nebenbei. Jetzt müssen Führungskräfte die Übungseinheiten bewusst wieder einbauen: Nachwuchskräften eine Aufgabe geben, die die KI erledigen könnte, sie zuerst ohne Hilfe versuchen lassen und dann vergleichen. Das kostet Zeit, die früher umsonst war. Planen Sie dafür Budget ein wie für jede andere Investition in Fähigkeiten, denn das ist es.

Das Prüfen von KI-Output zur Trainingsübung machen, nicht nur zum QA-Gate

Die meisten Unternehmen lassen Nachwuchskräfte KI-generierte Entwürfe bereits prüfen, bevor sie ausgeliefert werden. Wenige behandeln diese Prüfung als Lernmoment. Die Lösung ist prozedural: Die Nachwuchskraft schreibt in eigenen Worten auf, was sie ändern würde und warum, bevor sich eine erfahrene Prüferin oder ein erfahrener Prüfer äußert, und beide Fassungen werden verglichen. Das Delta ist die Lektion, dieselbe, die eine Korrektur mit dem Rotstift früher lehrte, nur verlagert. Workflow-Tools, die festhalten, wer was warum geprüft hat, machen daraus ein durchsuchbares Trainingsprotokoll statt eines verlorenen Slack-Threads, und sie schützen zugleich vor ungeprüftem, unbegründetem Output, der später als Workslop auftaucht.

Nachwuchskräfte durch Aufgaben rotieren lassen statt durch eine einzige Warteschlange

Wenn die ganze Aufgabe einer Nachwuchskraft darin besteht, einen KI-Workflow zu beaufsichtigen, erwirbt sie Tiefe in einer engen Schleife und keinen Einblick in die angrenzenden Urteilsentscheidungen, die ein chaotischerer, weniger automatisierter Job früher gratis lieferte. Gezielte Rotation, drei Monate Recherche-Support, drei Monate Analyse-Review, drei Monate Begleitung von Kundengesprächen, baut diese Breite bewusst wieder auf.

Mentoring um Erklärung herum neu gestalten, nicht um Zuweisung

Das alte Mentoring-Modell beruhte oft auf räumlicher Nähe: Eine Nachwuchskraft saß in der Nähe einer erfahrenen Person, sah ihr bei der Arbeit zu und nahm Normen passiv auf. Remote-Arbeit und zunehmend KI-vermittelte Arbeit haben diesen Kanal ausgedünnt, besonders da mehr Teams als Teams aus Mensch und Agent in dem arbeiten, was manche das Frontier-Unternehmen nennen. Die Lösung ist, Mentoring zu einem ausdrücklichen Akt des Erzählens von Urteilsvermögen zu machen: Seniors erklären den Nachwuchskräften, warum sie eine KI-Empfehlung übersteuert haben, nicht nur, dass sie es getan haben. Das funktioniert nur dort, wo Nachwuchskräfte sich sicher fühlen, vor einer erfahrenen Person Verwirrung zuzugeben, eine Frage der psychologischen Sicherheit ebenso wie des Trainings, und wo Fehler als Information behandelt werden, der Unterschied zwischen einer Schuldzuweisungskultur und einer Lernkultur.

Nichts davon verlangt, die KI-Einführung zu bremsen. Es verlangt, zu akzeptieren, dass die alte Lehre von einem Nebenprodukt der Ineffizienz lebte und dass sie, sobald die Ineffizienz verschwunden ist, als eigenes, bewusst gestaltetes System neu aufgebaut werden muss, innerhalb des KI-Change-Managements, das ohnehin agentenbasierte Workflows und eine stärker KI-native Kultur in der restlichen Organisation ausrollt. Wer diesen Schritt überspringt, dem kündigt sich die Lücke nicht an. Sie summiert sich still zu KI-Kulturschulden, die Jahre später sichtbar werden, in einer Führungsbank, die nicht da ist.

Wichtige Fakten

• Die Einstellung von Berufseinsteigern und Absolventen bei großen Tech-Unternehmen liegt gegenüber 2019 um rund 65 % niedriger, bei Early-Stage-Startups um etwa 76 %. Quelle: SignalFire State of Talent Report, 2026
• Die Beschäftigung von 22- bis 25-Jährigen in stark KI-exponierten Berufen liegt etwa 19 % unter dem Niveau, das sie sonst hätte, nach einer Lücke von 15 % ein Jahr zuvor, getrieben durch weniger Einstellungen statt mehr Entlassungen. Quelle: Stanford Digital Economy Lab, „Canaries in the Coal Mine", August 2026
• Die Einstellungen in den USA insgesamt liegen weiterhin mehr als 20 % unter dem Niveau vom Dezember 2019, ein breiterer Arbeitsmarkthintergrund, der es erschwert, einen KI-spezifischen Effekt zu isolieren. Quelle: LinkedIn Economic Graph Workforce Report, Januar 2026
• Der Zugang zu einem generativen KI-Assistenten steigerte die Produktivität von Kundensupport-Mitarbeitenden im Schnitt um 14 % und bei Neulingen um 34 %, indem er die Muster von Top-Performern sichtbar machte. Quelle: Brynjolfsson, Li und Raymond, „Generative AI at Work", NBER / Quarterly Journal of Economics
• Die Wirkung von KI auf Expertise hängt davon ab, ob sie die Routineaufgaben automatisiert, die Urteilsvermögen aufbauen, oder die spezialisierten Aufgaben, die es nutzen, mit gegenläufigen Effekten auf Löhne und Beschäftigung. Quelle: Autor und Thompson, „Expertise", NBER, 2025