KI verändert die Bezahlung, nicht nur die Arbeitsplätze

Lohnkompression: Eine Studie von Apollo Global Management beziffert die Kosten des langsameren Lohnwachstums für KI-exponierte Arbeitnehmer auf $28 Milliarden pro Jahr, verteilt auf 5,8 Millionen Menschen.

Woher die beruhigende Version stammt

Die Behauptung verbreitete sich schnell: Die Stellenstreichungen gehen zurück, die Einstellungen nehmen zu, und es gibt keine Hinweise darauf, dass KI Arbeitnehmer ersetzt. Torsten Sløk, Chefökonom von Apollo Global, vertritt seit Wochen eine Version dieses Arguments und verweist auf Challenger-Daten, denen zufolge die Stellenstreichungen bis August im Jahresvergleich um 41 % zurückgegangen sind – der niedrigste Gesamtwert für den Zeitraum von Januar bis August seit 2022 –, während die Einstellungspläne im selben Zeitraum um 37 % gestiegen sind, der höchste Stand seit 2023.

Dieser Teil ist stichhaltig. Er ist jedoch nicht der gesamte Bericht.

Führen Sie intelligenter im Zeitalter der KI

Werden Sie Teil der People Managing People Community und erhalten Sie Zugang zu exklusiven Inhalten, praxisnahen Vorlagen, Veranstaltungen nur für Mitglieder und wöchentlichen Führungstipps – die Teilnahme ist kostenlos.

Get Free Access

Have an account? Log In

Was die Angabe der Gründe tatsächlich zeigt

Bevor wir uns erneut voll und ganz auf weitere Narrative einlassen, wonach KI zum Sündenbock gemacht wird, lohnt sich ein umfassender Blick auf die Daten, die zur Unterstützung dieser neuesten Version des Arguments herangezogen werden. 

Der monatliche Bericht von Challenger enthält zwei separate Tabellen: Eine erfasst die Gesamtzahl der Stellenstreichungen, während die andere sie nach den von den Arbeitgebern angegebenen Gründen für die Entlassungen aufschlüsselt.

In der zweiten Tabelle ist KI der am häufigsten genannte Grund für Stellenstreichungen im Jahr 2026: Sie wurde in 116.175 Ankündigungen genannt, was 22 % aller diesjährigen Stellenstreichungen entspricht. Der allgemeine Rückgang der Gesamtzahl der Stellenstreichungen ist hauptsächlich auf einen Rückgang der Entlassungen im öffentlichen Sektor gegenüber den ungewöhnlich hohen Werten des Vorjahres zurückzuführen – nicht darauf, dass KI bei den tatsächlich erfolgenden Stellenstreichungen eine geringere Rolle spielt.

Zwei Dinge können gleichzeitig zutreffen: Die Gesamtzahl der Entlassungen kann sinken, und KI kann dennoch der häufigste Grund für die verbleibenden Entlassungen sein.

Das oben erwähnte Ergebnis zur Zurückhaltung bei Einstellungen stammt aus einer Umfrage der Federal Reserve Bank of New York unter Dienstleistungsunternehmen, die KI einsetzen und deren Ergebnisse im Folgenden aufgeschlüsselt werden. 

Wir tun dies nicht zum ersten Mal

Dass Löhne statt der Beschäftigtenzahl einen Automatisierungsschock auffangen, hat einen Präzedenzfall. Industrieroboter erzeugten ein nahezu identisches Muster – Jahre bevor generative KI als Werkzeug am Arbeitsplatz existierte.

In einer im Journal of Political Economy veröffentlichten Studie untersuchten Daron Acemoglu vom MIT und Pascual Restrepo von der Boston University die Einführung von Robotern in 19 Branchen und 722 US-Pendlerregionen zwischen 1990 und 2007. 

Ihre zentrale Erkenntnis: Jeder zusätzliche Roboter pro 1.000 Arbeitnehmer senkte das Verhältnis von Beschäftigung zu Bevölkerung um etwa 0,2 Prozentpunkte und die Löhne um etwa 0,42 %. Die Wirkung baute sich über Jahre hinweg allmählich innerhalb lokaler Arbeitsmärkte auf, statt in Form einer Welle spektakulärer Entlassungen aufzutreten.

Die Auswirkungen waren ebenfalls nicht gleichmäßig verteilt. Die Forschenden stellten fest, dass sie sich vor allem auf weniger gebildete Arbeitnehmer konzentrierten, insbesondere im verarbeitenden Gewerbe, während Arbeitnehmer mit höheren Einkommen weitgehend geschützt waren. Das stimmt eng mit dem Muster überein, das Apollo in den diesjährigen KI-Daten festgestellt hat: Beschäftigte im Dienstleistungssektor und das unterste Einkommensquartil tragen den größten Teil des Lohneffekts, während Spitzenverdiener keine Auswirkungen feststellen.

Der Vergleich hat jedoch Grenzen. Industrieroboter sind physische und kostspielige Kapitalinvestitionen. KI-Tools sind günstig und können sich innerhalb weniger Wochen in einem Unternehmen verbreiten. Das könnte bedeuten, dass sich dieser Prozess schneller, langsamer oder auf eine Weise entwickelt, die sich anhand der Daten zu Robotern nicht vorhersagen lässt. 

Was diese Forschung tatsächlich belegt, ist, dass sich genau dieses Muster – dass sich die Verwerfungen eher auf die Bezahlung und die Beteiligung als auf die Beschäftigungszahlen auswirken – bereits einmal in messbaren, veröffentlichten Daten gezeigt hat, lange bevor KI diese Frage erneut aktuell machte. 

Die fehlenden $4,800 

Apollos Zahl von $28 Milliarden, also der gesamte Lohnzuwachs, der den in der Studie untersuchten KI-exponierten Beschäftigten entgangen ist, wird als ein einziger Durchschnittswert angegeben:  $4,800 pro Jahr, verteilt auf 5,8 Millionen Beschäftigte. 

Durchschnittswerte verbergen, wie ungleich diese Zahl verteilt ist, und es lohnt sich, die Rechnung zu betrachten, die der Gesamtzahl zugrunde liegt, aber nicht aus ihr hervorgeht.

Innerhalb dieser Gruppe verzeichneten Beschäftigte im Dienstleistungsbereich einen relativen Rückgang des Lohnzuwachses um 24.3 %, und im untersten Einkommensquartil ging er um 10.7 % zurück, während bei den Spitzenverdienern überhaupt keine messbare Auswirkung festzustellen war. 

Das ist eine größere Spannbreite, als der Durchschnittswert von $4,800 vermuten lässt, und trifft vor allem Menschen, die ohnehin am wenigsten verdienen. Ein Callcenter-Mitarbeiter oder eine Einzelhandelsfachkraft, bei denen der Lohnzuwachs um fast ein Viertel geringer ausfällt, verliert deutlich mehr als der Durchschnitt – und das zusätzlich zu einem von vornherein niedrigeren Gehalt. Wer in einem stark exponierten Beruf bereits gut verdient, spürt möglicherweise fast nichts davon. 

Das ist dafür entscheidend, wie sich dies in den meisten Vergütungsberichten zeigt – oder auch nicht zeigt. Ein Unternehmen, das in diesem Jahr seinen durchschnittlichen Lohnzuwachs insgesamt überprüft, könnte eine Zahl sehen, die nahezu normal aussieht, weil Beschäftigte, deren Einkommen nicht beeinträchtigt wird, den Durchschnitt wieder nach oben ziehen.

Für die Beschäftigten, die diese Kompression erleben, ist sie real. In der zusammengefassten Zahl, die die Führungsebene wahrscheinlich zuerst zu sehen bekommt, bleibt sie jedoch unsichtbar.

Was Sie in Ihren eigenen Daten überprüfen sollten

Keiner der drei Berichte, auf denen diese Analyse beruht, erforderte proprietäre Daten – und auch eine interne Überprüfung setzt solche Daten nicht voraus. 

Die Zahlen von Challenger stammen aus öffentlichen Ankündigungen von Stellenkürzungen. Die New York Fed befragt Unternehmen direkt und veröffentlicht die Ergebnisse. Apollo erstellte seine Schätzung auf Grundlage von Daten des Bureau of Labor Statistics. 

Für einen groben Eindruck von der Größenordnung nach Bundesstaat wandelt das Dashboard des Center for AI Safety unter wageloss.ai die von Challenger der KI zugeschriebenen Entlassungen in eine Schätzung des Dollarbetrags um. Es erfasst jedoch nur den Kanal der Entlassungen, nicht die Lohnkompression oder den Einstellungsrückgang, die mehr Aufmerksamkeit erfordern. Das zugrunde liegende Muster ist in Daten sichtbar, über die die meisten Organisationen bereits verfügen. 

Einige Ausgangspunkte für ein Vergütungs- oder HR-Team, das dies überprüfen möchte:

• Segmentieren Sie den Lohnzuwachs nach KI-Exposition, nicht nur nach Abteilung. Ermitteln Sie den Lohnzuwachs der vergangenen 24 Monate für Positionen, in denen KI-Tools regelmäßig eingesetzt werden, und vergleichen Sie ihn mit ansonsten ähnlichen Positionen auf derselben Ebene und mit gleicher Betriebszugehörigkeit, in denen dies nicht der Fall ist. Ein abteilungsweiter Durchschnitt kann dieselbe Kompression verbergen wie ein nationaler Durchschnitt.
• Prüfen Sie, welche Anforderungsprofile geschlossen statt besetzt wurden. Weder Challenger noch die Umfrage der New York Fed können sehen, wenn eine genehmigte Anforderung geschlossen wird, ohne dass eine Einstellung erfolgt. Die meisten Bewerbermanagementsysteme können das. Diese Zahl – speziell für KI-exponierte Positionen – kommt dem Wert von 15 % der New York Fed für „weniger eingestellt“ näher als alles, was in einem Bericht über die Mitarbeiterzahl zu finden ist.
• Beobachten Sie die Dauer der Nachbesetzung, nicht nur die Nachbesetzungsquote. Eine zunehmende Lücke zwischen dem Ausscheiden einer Person aus einer KI-exponierten Position und ihrer erneuten Besetzung – selbst wenn die Position letztlich besetzt wird – ist oft die früheste sichtbare Ausprägung dieses Musters, lange bevor es in einer Mitarbeiterbefragung oder einem Austrittsgespräch auftaucht.
• Bringen Sie Vergütung und die Planung der KI-Einführung an einen Tisch. L&D oder die für die Einführung von KI zuständige Stelle verwaltet typischerweise das Budget für Umschulungen. Die Vergütungsabteilung ist für das Lohnbudget zuständig. Wenn eine Position in diesem Jahr Investitionen in Umschulungen erhält, während ihr Lohnzuwachs zurückbleibt, vergleichen die beiden Teams, die diese getrennten Zahlen verfolgen, möglicherweise nie ihre Erkenntnisse. Der Zusammenhang wird daher nur hergestellt, wenn jemand über beiden Teams jedem dieselbe Frage stellt.

Nichts davon erfordert, auf den nächsten Challenger-Bericht oder die nächste Fed-Umfrage zu warten. Die zu überprüfenden Daten liegen größtenteils bereits in einem HRIS und einem ATS vor.