Was ist die Zukunft der Arbeit? Eine Definition auf Basis von Evidenz, nicht Prophezeiung

Von Victor Hoang · Aktualisiert am 22. September 2026

Die Zukunft der Arbeit ist die fortlaufende, messbare Verschiebung dessen, welche Aufgaben Menschen erledigen, welche Kompetenzen diese Aufgaben verlangen, wie Organisationen aufgebaut sind und wie Output entsteht, derzeit hauptsächlich getrieben von KI. Sie ist kein einzelnes Ereignis, kein festes Datum und kein abschließendes Urteil darüber, welche Jobs verschwinden. Es ist ein Bündel von Trends, die bereits in Arbeitsmarktdaten, Einführungsumfragen und Organigrammen sichtbar sind, die meisten davon lückenhaft, manche widersprüchlich.

Diese Definition ist enger als das, was auf Konferenzen verkauft wird. Fragen Sie zehn Berater, was "die Zukunft der Arbeit" bedeutet, und Sie bekommen zehn Prognosen, die meisten hochgerechnet aus der Roadmap eines einzelnen Anbieters. Diese Collection behandelt den Begriff anders: als Behauptung, die eine Quelle, eine Methode und ein Datum braucht, nicht als Slogan, der eine Folie braucht.

Was "Zukunft der Arbeit" tatsächlich bedeutet

Streicht man das Marketing weg, sind vier Dinge tatsächlich in Bewegung, jedes mit eigener Evidenzbasis und eigenem Zeithorizont.

Aufgabenzusammensetzung. Innerhalb bestehender Jobs verändert sich, mit welchen konkreten Aufgaben eine Person ihre Zeit verbringt. Ein Recruiter recruitet weiterhin, aber die erste Ansprache zu entwerfen, einen Lebenslauf zu prüfen oder ein Gespräch zusammenzufassen, geschieht zunehmend zuerst über ein KI-Tool. Die Stellenbezeichnung bleibt stabil. Die Aufgabenliste darunter nicht.

Kompetenzanforderungen. Was in einer Rolle als wertvolle Expertise gilt, verschiebt sich, wenn eine Maschine die Routineanteile übernehmen kann. KI-Ergebnisse beurteilen, eine falsche Antwort erkennen und wissen, wann man dem Tool nicht trauen sollte, werden zu eigenen Kompetenzen, zusätzlich zu dem, was der Job ohnehin verlangte.

Organisationsstruktur. Wer wen führt, wie viele Personen eine Führungskraft betreut und wie viele Ebenen zwischen einer Mitarbeiterin an der Basis und der Geschäftsleitung liegen, steht unter leisem Druck, wenn auch weit langsamer und ungleichmäßiger, als es die meisten an einem Whiteboard gezeichneten Organigramme nahelegen.

Wie Arbeit entsteht. Die Mischung aus menschlichem Aufwand, Software und neuerdings KI-Agenten, die zusammen ein Arbeitsergebnis hervorbringt, ein geschlossenes Support-Ticket, ein ausgeliefertes Feature, einen unterschriebenen Vertrag, verändert sich innerhalb einzelner Workflows, bevor sich auf Ebene der Mitarbeiterzahl irgendetwas Sichtbares tut.

Keine dieser vier Entwicklungen setzt voraus, dass "KI ersetzt Jobs" stimmt. Alle vier sind schon ohne diese Behauptung messbar, und gerade deshalb sind sie für eine Führungskraft, die echte Entscheidungen trifft, nützlicher als eine Schlagzeilenzahl über Massenarbeitslosigkeit, die nicht eingetreten ist. Den vollständigen Durchgang durch die gemessenen Studien hinter diesen vier Verschiebungen, einschließlich genau dessen, welche Aussagen halten und welche noch nicht, finden Sie unter wie KI die Arbeit verändert und was die Evidenz zeigt.

Die Lücke zwischen Einsatz und Wirkung

Die wichtigste Tatsache für jede Führungskraft, die 2026 Texte zur Zukunft der Arbeit liest, lautet: KI-Einsatz und geschäftliche Wirkung von KI sind nicht dieselbe Kurve, und die Lücke dazwischen ist derzeit enorm.

Die McKinsey-Umfrage "State of AI" 2025 unter fast 2.000 Organisationen ergab, dass 88 % KI inzwischen in mindestens einer Geschäftsfunktion nutzen. Das kommt einer flächendeckenden Einführung nahe. Doch nur 39 % dieser Organisationen führen irgendeine messbare EBIT-Wirkung auf diese KI-Nutzung zurück, und die meisten davon sagen, die Wirkung liege unter 5 % des Ergebnisses. Nur 6 % gelten als das, was McKinsey "AI High Performer" nennt, mit sowohl erheblichem Wert als auch spürbarem EBIT-Beitrag. Der Unterschied dieser Spitzengruppe lag nicht darin, welches Modell sie nutzte. Sie hatte den zugrunde liegenden Workflow tatsächlich neu gestaltet, statt einen Chatbot an einen unveränderten Prozess anzuflanschen.

Das Project NANDA des MIT untersuchte dieselbe Lücke aus anderer Perspektive in seiner Studie "State of AI in Business" 2025, aufgebaut auf über 300 Initiativen, Dutzenden Interviews mit Führungskräften und einer Befragung von Entscheidern. Der Befund war deutlicher: Rund 95 % der Pilotprojekte mit generativer KI zeigten keine messbare Wirkung auf die Gewinn- und Verlustrechnung. Die Piloten, die funktionierten, hatten ein gemeinsames Muster: Sie waren enge Back-Office-Prozesse mit klarem Verantwortlichen und engem Feedback-Loop, keine breiten, ehrgeizigen Rollouts, die per Pressemitteilung angekündigt wurden.

Gartner hat prognostiziert, wo ein Teil der aktuellen Ambitionswelle landet: Das Unternehmen erwartet, dass mehr als 40 % der Projekte mit agentenbasierter KI vor Ende 2027 eingestellt werden, und nennt als Gründe steigende Kosten, unklaren Geschäftswert und Risikokontrollen, die nie aufgebaut wurden.

Warum die Lücke existiert

Nichts davon heißt, dass KI nicht funktioniert. Es heißt, dass die meisten Organisationen in der Pilotphase festhängen und KI neben einem unveränderten Prozess betreiben, statt den Prozess um sie herum neu zu gestalten. Ein Workflow, der für einen Menschen gebaut ist, der jeden Schritt nacheinander erledigt, wird nicht schneller, nur weil ein Schritt schneller ist; der Engpass wandert zur nächsten nicht neu gestalteten Übergabe. Das ist ein Versagen im Workflow-Design, kein Beweis für überzogene Erwartungen an die Technologie, und es ist der häufigste Grund, warum ein vielversprechender Pilot nie die Gewinn- und Verlustrechnung erreicht. Dieselbe Ungleichheit zeigt sich auch innerhalb eines einzelnen Unternehmens, nicht nur zwischen Unternehmen: Unter der KI-Adoptionskluft steht, was die Beschäftigten, die ihren Workflow um KI herum neu aufgebaut haben, tatsächlich von denen trennt, die sie nie angefasst haben.

Wandel auf Aufgabenebene, kein flächendeckender Jobersatz

Der haltbarste Befund in diesem ganzen Feld, und der, der in der Schlagzeilenberichterstattung am häufigsten übersprungen wird, ist: Der Wandel geschieht auf Ebene der Aufgabe, nicht des Jobs.

Der MIT-Ökonom David Autor und der MIT-Informatiker Neil Thompson haben dies in ihrer Forschung zu Expertise und Automatisierung unmittelbar vertreten. Ihr Argument: Wird eine Aufgabe automatisiert, hängt es davon ab, ob sie innerhalb dieses konkreten Berufs relativ expertenhaft oder nicht expertenhaft war, ob das den verbleibenden Beschäftigten nützt oder schadet. Dieselbe Aufgabe, eine Routine-E-Mail zu entwerfen gegenüber einem Schriftsatz, kann in einem Job geringe und in einem anderen hohe Qualifikation verlangen. Die Automatisierung "derselben" Tätigkeit kann daher in einem Beruf die Löhne steigen und den Pool qualifizierter Arbeitskräfte schrumpfen lassen, in einem anderen die Löhne senken und den Pool erweitern. Das Detail auf Aufgabenebene, nicht eine pauschale Zahl wie "KI ersetzt X % der Jobs", sagt tatsächlich voraus, wie es ausgeht.

Der Future of Jobs Report 2025 des Weltwirtschaftsforums quantifiziert das Ausmaß dieses Umschwungs, ohne einen Netto-Kollaps vorherzusagen. Auf Basis einer Befragung von Arbeitgebern, die mehr als eine Milliarde Jobs weltweit vertreten, projiziert er, dass bis 2030 92 Millionen bestehende Jobs verdrängt und 170 Millionen neue geschaffen werden, ein Nettogewinn von 78 Millionen Jobs, aber ein struktureller Umschwung von etwa 22 % der heutigen formalen Gesamtbeschäftigung. Liest man beide Zahlen zusammen, lautet die ehrliche Erkenntnis nicht "KI ist sicher" oder "KI ist die Jobapokalypse". Sie lautet, dass ein Fünftel des Aufgabenmix des Arbeitsmarkts gleichzeitig umgeordnet wird, was für einzelne Beschäftigte oder Teams einschneidend ist, selbst wenn die Gesamtrechnung positiv aufgeht.

Was die Evidenz nicht zeigt

Weil so viel in diesem Feld auf Schlussfolgerung statt Messung beruht, ist es wichtig, die Grenzen des tatsächlich Bekannten klar zu benennen.

Die Evidenz zeigt keine bereits eingetretene, volkswirtschaftsweite Jobvernichtung im großen Maßstab. Sie zeigt nicht, dass KI-Einführung auf Unternehmensebene verlässlich zu Gewinn auf Unternehmensebene führt, die eigenen Daten von McKinsey sprechen für die große Mehrheit der Anwender dagegen. Sie zeigt nicht, dass irgendeine Prognose der Art "X % der Aufgaben bis Jahr Y automatisierbar" eine nachgewiesene Trefferquote hat; solche Zahlen sind Modellergebnisse benannter Forschender mit bestimmten Annahmen, keine gemessenen Resultate, und sollten stets mit angehängter Methode gelesen werden. Und sie zeigt nicht, dass flachere Organigramme, Vier-Tage-Wochen oder Redeployment-Programme im großen Stil derzeit die Regel statt die Ausnahme sind, obwohl jedes davon diskutiert wird, als wäre es das bereits.

Wichtige Fakten

• WEF Future of Jobs Report 2025: Arbeitgeber erwarten bis 2030 92 Millionen verdrängte und 170 Millionen neu geschaffene Jobs, ein Nettogewinn von 78 Millionen, entsprechend einem strukturellen Umschwung von rund 22 % der etwa 1,2 Milliarden befragten formalen Jobs. Quelle: World Economic Forum
• McKinsey State of AI, 2025: 88 % der Organisationen nutzen KI in mindestens einer Geschäftsfunktion, aber nur 39 % führen darauf irgendeine EBIT-Wirkung zurück, und nur 6 % gelten als "AI High Performer" mit 5 % oder mehr EBIT-Wirkung. Quelle: McKinsey
• MIT Project NANDA, "State of AI in Business 2025": Etwa 5 % der Pilotprojekte mit generativer KI erzielen messbare Umsatzwirkung, die übrigen zeigen keine messbare Wirkung auf die Gewinn- und Verlustrechnung. Quelle: Fortune
• Gartner-Prognose, 2025: Mehr als 40 % der Projekte mit agentenbasierter KI werden voraussichtlich bis Ende 2027 wegen Kosten, unklarem Wert und schwachen Risikokontrollen eingestellt. Quelle: Gartner-Prognose, berichtet von RCR Wireless
• Stanford Digital Economy Lab, "Canaries in the Coal Mine?" (2026): Die Beschäftigung der 22- bis 25-Jährigen in den am stärksten KI-exponierten Berufen liegt etwa 19 % unter dem Wert, der bei gleichem Verlauf wie bei weniger exponierten Altersgenossen zu erwarten wäre, wobei die Forschenden keine breite, volkswirtschaftsweite Verdrängung feststellen. Quelle: Stanford Digital Economy Lab
• Microsoft Work Trend Index 2025: 82 % der Führungskräfte sagen, dies sei ein Schlüsseljahr, um Strategie und Betrieb neu zu denken; Beschäftigte bei selbst ernannten "Frontier Firms" berichten, ihr Unternehmen floriere etwa doppelt so häufig wie im globalen Durchschnitt. Quelle: Microsoft WorkLab
• Autor und Thompson (MIT), "Expertise": Die Automatisierung einer Aufgabe erhöht die Löhne und verkleinert den Pool qualifizierter Beschäftigter, wenn die Aufgabe expertenhaft war, und bewirkt das Gegenteil, wenn nicht; dieselbe Tätigkeit kann je nach Beruf beides sein. Quelle: MIT FutureTech

Kompetenzwandel, den niemand überspringen kann

Die oben beschriebene Verschiebung auf Aufgabenebene hat eine direkte Folge für Kompetenzen, und sie ist wohl der einschneidendste Teil des ganzen Bildes für eine individuelle Laufbahn, selbst wenn die Gesamtrechnung bei den Jobs stimmig aussieht.

Dieselbe Befragung des Weltwirtschaftsforums von 2025 ergab, dass Arbeitgeber erwarten, dass sich bis 2030 fast 40 % der Kernkompetenzen von Jobs ändern, und nannte die daraus folgende Kompetenzlücke als größtes Hindernis für jede KI-bezogene Transformation. Das ist keine ferne Prognose. Es beschreibt das Kompetenzprofil, das eine Person für den Job braucht, den sie bereits hat, nicht nur für den, in den sie vielleicht wechselt.

Der deutlichste frühe Verlust zeigt sich auf Einstiegsebene. Das Digital Economy Lab in Stanford stellte anhand von Gehaltsdaten bis 2026 fest, dass die Beschäftigung der 22- bis 25-Jährigen in den am stärksten KI-exponierten Berufen spürbar unter dem Wert liegt, den sie bei gleichem Schritt mit weniger exponierten Gleichaltrigen hätte, während die Gesamtbeschäftigung erfahrener Beschäftigter in denselben Berufen stabil blieb oder wuchs. Der Mechanismus ist wichtiger als die Schlagzeile: Der Rückgang konzentriert sich gezielt auf Rollen, in denen KI jene Routinearbeit ersetzt, die Berufseinsteigern früher als Erstes zugewiesen wurde und mit der sie ihr Handwerk lernten. Das ist zuerst ein Pipeline-Problem und erst dann ein Problem der Mitarbeiterzahl, und es wird sich über Jahre nicht in einer aggregierten Arbeitslosenquote zeigen.

Die Organisationsstruktur verschiebt sich, langsamer als die Erzählung

Microsofts Sprachregelung für diesen Moment, die "Frontier Firm", aufgebaut um eine menschliche Belegschaft an der Seite von KI-Agenten, ist in der Branche zum Kürzel für einen tatsächlich realen Trend geworden: Immer mehr Beschäftigte sollen KI-Ergebnisse als Teil ihrer Kernaufgabe steuern, prüfen und korrigieren, eine Rolle, die Microsofts eigene Forschung "Agent Boss" nennt. Unsere Schwester-Collection behandelt diese Identität und die Normen, die sie schafft, ausführlicher in die Frontier Firm und der Agent Boss und in Teams aus Menschen und Agenten und Kultur.

Was die Daten bislang nicht stützen, ist die dramatischere Version, in der Führungsebenen vollständig verschwinden und Organigramme flächendeckend flacher werden. Manche Funktionen mit hoher Aufgabenautomatisierung werden flacher, die meisten nicht, jedenfalls noch nicht in dem Ausmaß, das die Trendartikel nahelegen. Organisationsdesign ist einer der langsamer wirkenden Hebel, gebremst durch rechtliche Strukturen, Berichtslinien und schlichte organisatorische Trägheit, anders als die KI-Einführung auf Aufgabenebene.

Das meiste, was im Alltagsgespräch "KI nimmt uns die Jobs" heißt, ist in Wahrheit die erste Zeile, Augmentierung, die als dritte missverstanden wird. Diese Verwechslung verursacht viel vermeidbare Panik und viel vermeidbare Selbstzufriedenheit. Die mittlere Zeile, Automatisierung, bei der weiterhin eine Person die Ausnahmen verantwortet, verdient die meiste Aufmerksamkeit: Dort entscheidet sich, ob ein Human-in-the-Loop bedeutsam bleibt oder sich still zum Abnickstempel entwickelt.

Wo der Mensch zentral bleibt

Jede glaubwürdige Studie oben, selbst die skeptischen, ist sich in einem Punkt einig: Nichts von dieser Evidenz deutet auf eine nahe Zukunft ohne menschliche Beschäftigte im Zentrum hin. Sie deutet stattdessen auf eine Umverteilung dessen hin, wofür der Mensch da ist.

Urteile unter Mehrdeutigkeit, die Teile einer Entscheidung, die sich nicht auf ein Muster in vergangenen Daten reduzieren lassen, bleiben menschlich, weil KI-Systeme darauf ausgelegt sind, bestehende Muster fortzusetzen, nicht wirklich neue zu begründen. Verantwortung bleibt menschlich, weil jemand ein Ergebnis in einer Weise verantworten muss, wie es ein System nicht kann, eine Tatsache, in der sich Aufsichtsbehörden, Gerichte und Aufsichtsräte derzeit einig sind, unabhängig davon, wie leistungsfähig das zugrunde liegende Modell wird. Und Vertrauen, jenes, das ein Kunde oder eine Mitarbeiterin einer bestimmten Person über die Zeit entgegenbringt, ist nichts, was ein Agent stellvertretend für einen Menschen aufbauen kann, nur an dessen Seite.

Einen solchen KI-tauglichen menschlichen Kern aufzubauen ist eine eigene Disziplin, und diese Collection verweist für die Seite der Normen und des Verhaltens auf unsere Business-Culture-Library: siehe wie KI-native Kultur tatsächlich aussieht, eine KI-taugliche Kultur aufbauen, Kultur im KI-Zeitalter führen und psychologische Sicherheit in KI-Teams. Häuft sich die Schuld übersprungener Normen und undefinierten Verhaltens an, zeigt sie sich später als das, was diese Library KI-Kulturschuld nennt, ein Kostenpunkt, den diese Collection als strukturelles Spiegelbild der hier behandelten Kompetenz- und Rollenfragen versteht.

Wie Sie jede Behauptung zur Zukunft der Arbeit lesen

Angesichts dessen, wie viel in diesem Feld auf als Befunde verkleideten Prognosen beruht, hilft eine kurze Checkliste, bevor Sie eine Statistik in einer Board-Präsentation oder einem Strategiememo wiederholen.

Was das für Führungskräfte jetzt bedeutet

Nichts an der Forschung oben plädiert fürs Stillstehen. Sie plädiert dafür, Aufwand dort einzusetzen, wo die Evidenz sich auszahlt: den Workflow neu gestalten, statt KI auf einen unveränderten zu setzen, die Einstiegs-Pipeline wieder aufbauen, die Junior-Rollen früher boten, und gegenüber der Belegschaft klar sagen, auf welche der vier Verschiebungen, Aufgaben, Kompetenzen, Struktur oder Output, Sie Ihre Planung tatsächlich stützen.

Ein Teil dieser Arbeit ist zuerst ein Datenproblem und erst dann ein Strategieproblem: Zu wissen, welche Rollen, Kompetenzen und Workflows in Ihrer Organisation heute existieren, ist die Grundlage, auf der jede dieser Entscheidungen aufbaut, die Art von Workforce-Datenfundament, die eine People-Plattform liefern soll. Die Übergabe zwischen einer Person und einem KI-Agenten innerhalb eines Workflows zu standardisieren ist ein Work-Ops-Problem, sobald der Prozess neu gestaltet und nicht bloß an Ort und Stelle automatisiert wurde.

Der Rest dieser Collection greift jeden Strang einzeln auf, vom Produktivitätsparadoxon hinter der Lücke zwischen Einsatz und Wirkung und wem die freigesetzte Zeit tatsächlich zufließt, über Einstiegskarrieren und den Wandel des mittleren Managements bis hin zu dem, wie eine Workforce-Strategie, die sich an Aufgaben statt an Headcount-Zielen orientiert, für ein Führungsteam aussieht, das in diesem Jahr eine aufbaut.