Transformation der Arbeitswelt durch Künstliche Intelligenz: Chancen und Herausforderungen

Künstliche Intelligenz als Katalysator: Eine Analyse der Auswirkungen auf den Arbeitsmarkt

Die fortschreitende Entwicklung und Implementierung von Künstlicher Intelligenz (KI) prägt zunehmend die globalen Märkte und Arbeitsweisen. Diese technologische Evolution wird oft als nächster großer Entwicklungsschritt der Digitalisierung oder sogar als vierte industrielle Revolution bezeichnet. Sie birgt das Potenzial, Wirtschaft und Arbeitswelt in einer Tiefe zu transformieren, die mit früheren industriellen Umbrüchen vergleichbar ist. Aktuelle Prognosen deuten darauf hin, dass KI sowohl Treiber von Produktivität und Innovation als auch ein Faktor struktureller Verwerfungen auf den Arbeitsmärkten sein kann. Diese Analyse beleuchtet systematisch die Auswirkungen der KI auf den Arbeitsmarkt, basierend auf internationalen und nationalen Studien, und konzentriert sich dabei auf Effekte auf Produktivität, Berufsbilder, Kompetenzanforderungen und Branchenstrukturen.

KI-Nutzung: Ziele und Durchdringung in Unternehmen

Unternehmen implementieren KI primär, um ihre Produktivität und Effizienz zu steigern. Eine Studie des Instituts der deutschen Wirtschaft aus dem Jahr 2025 zeigt, dass 84,5 Prozent der befragten Unternehmen, die KI einführen oder dies planen, die Entlastung von Routinearbeiten als Hauptziel angeben. Besonders in großen Unternehmen (94,5 Prozent) werden standardisierte und repetitive Prozesse mithilfe von KI automatisiert, um Kosten zu senken, Fehler zu minimieren und die Arbeitsqualität zu verbessern. Dies soll Mitarbeitenden ermöglichen, sich auf anspruchsvollere und kreativere Aufgaben zu konzentrieren. Darüber hinaus verfolgen Unternehmen strategische Ziele wie die Milderung des Fachkräftemangels, die Stärkung der Innovationsfähigkeit und die Verbesserung von Prozess- und Produktqualität, um Herausforderungen wie stagnierende Produktivität und nachlassende Innovationskraft zu begegnen.

Neben Effizienzsteigerungen werden auch soziale und arbeitsbezogene Ziele verfolgt. KI kann Beschäftigte entlasten, indem sie körperliche Belastungen reduziert, Arbeitsbedingungen anpasst und die Sicherheit erhöht. Dies könnte zur Verlängerung von Erwerbsbiografien beitragen und dem Fachkräftemangel entgegenwirken. Ein weiteres Ziel ist die Förderung von Inklusion, beispielsweise durch KI-gestützte Anwendungen wie Live-Untertitelung für Gehörlose oder intelligente Prothesen, die Barrieren abbauen und Arbeitsplätze zugänglicher machen. Im Gesundheitswesen kann KI dazu beitragen, Personalmangel und die Komplexität von Krankheiten zu bewältigen.

Durchdringung von KI in deutschen Unternehmen

Die tatsächliche Durchdringung von KI in Unternehmen variiert je nach Studie und Methodik. Es zeichnet sich jedoch ein klarer Trend zur Zunahme ab, insbesondere in größeren Unternehmen. Laut einer Studie von Engels, Scheufen & Schmitz (2025) nutzen 37 Prozent der deutschen Unternehmen bereits KI. Andere Erhebungen, wie die der OECD (2024), nennen niedrigere Werte von 13,3 Prozent, während die Europäische Kommission (2024) rund 20 Prozent angibt. Diese Diskrepanzen können darauf zurückzuführen sein, dass viele Unternehmen KI-Anwendungen nicht als solche erkennen oder "durch die Hintertür" nutzen, beispielsweise in Form von integrierten Chatbots oder Analysetools.

Ein beachtlicher Teil der Unternehmen, insbesondere in der Informationswirtschaft und im verarbeitenden Gewerbe, plant die Einführung von KI in naher Zukunft. Größere Unternehmen sind hierbei tendenziell führend. Eine Herausforderung bleibt die genaue Erfassung der KI-Nutzung, da viele Anwendungen bereits so selbstverständlich sind, dass sie nicht immer als KI identifiziert werden. Zudem gibt es das Phänomen der "Schatten-KI", bei dem Mitarbeitende private KI-Tools nutzen, ohne dass dies dem Arbeitgeber bekannt ist. Dies könnte den tatsächlichen Anteil der KI-Nutzung zusätzlich erhöhen.

Einflüsse von KI auf den Arbeitsmarkt: Konzepte und Mechanismen

Die Analyse der Auswirkungen von KI auf den Arbeitsmarkt stützt sich auf Modelle, die die Verbreitung neuer Technologien, die Struktur von Tätigkeiten und komplementäre Investitionen berücksichtigen. Technologische Innovationen wie KI entfalten ihre volle Produktivitätswirkung erst bei breiter Anwendung in der Wirtschaft.

Ein zentrales Konzept ist das aufgabenbasierte Modell, das Tätigkeiten als Bündel einzelner Aufgaben betrachtet, deren Automatisierbarkeit variiert. Dabei wird nicht nur die technische Automatisierbarkeit bewertet, sondern auch die Bedeutung der Aufgabe innerhalb des gesamten Berufsprofils. Wenn stark automatisierbare Aufgaben einen hohen Anteil der Arbeitszeit ausmachen, steigt das Risiko der Verdrängung. Sind sie eher randständig, kommt es häufiger zu einer Ergänzung menschlicher Arbeit durch KI-gestützte Systeme. Generative KI erfasst zunehmend auch nicht-routinebasierte kognitive Tätigkeiten, die traditionell von Hochqualifizierten ausgeführt werden, was eine Ausweitung des Automatisierungspotenzials darstellt.

Die Mechanismen, über die Automatisierung auf den Faktor Arbeit wirkt, lassen sich in drei Effekte unterteilen: Verdrängung, Produktivität und Wiedereinsetzung. Der Verdrängungseffekt beschreibt die Reduktion der Arbeitsnachfrage durch Automatisierung. Der Produktivitätseffekt deutet darauf hin, dass steigende Effizienz neue Nachfrage nach komplementären Tätigkeiten erzeugen kann. Der Wiedereinsetzungseffekt umfasst die Entstehung neuer Aufgaben und Tätigkeitsfelder. Ob Automatisierung insgesamt Beschäftigung mindert oder fördert, hängt davon ab, welcher dieser Effekte überwiegt. Kurzfristig dominiert oft der Verdrängungseffekt, während Produktivitäts- und Wiedereinsetzungseffekte zeitverzögert eintreten.

KI kann sowohl als Ersatztechnologie (labour-replacing) als auch als Ergänzungstechnologie (labour-augmenting) wirken. Zudem entstehen Task-Creation-Effekte, die langfristig Produktivität und Beschäftigung erhöhen. KI fungiert auch als Invention Technology, die Forschungs- und Innovationsprozesse beschleunigt und indirekte Produktivitätsgewinne ermöglicht. Hinzu kommen Spillover-Effekte durch den Aufbau notwendiger IT-Infrastrukturen.

Konzepte wie der Baumol-Effekt weisen auf Grenzen der Automatisierbarkeit hin, indem sie betonen, dass gesamtwirtschaftliche Produktivitätsfortschritte begrenzt bleiben können, wenn der Anteil schwer automatisierbarer Sektoren wie Pflege oder persönliche Dienstleistungen zunimmt. Das Productivity Puzzle beschreibt den Widerspruch zwischen rascher technologischer Entwicklung und dem Ausbleiben entsprechender Produktivitätszuwächse. Dies wird durch die lange Diffusionsdauer neuer Technologien und die Notwendigkeit anwendungsspezifischer Innovationen erklärt.

Produktivitätssteigerung durch KI: Betriebswirtschaftliche und volkswirtschaftliche Perspektiven

Die empirische Evidenz zur Produktivitätssteigerung durch KI zeigt ein heterogenes Bild. Während einige Studien deutliche Leistungszuwächse auf individueller Ebene belegen, gelingt es vielen Unternehmen noch nicht, diese Potenziale in messbare betriebswirtschaftliche Effekte umzusetzen. Eine Studie von Demary et al. (2025) für Deutschland zeigt, dass knapp vier von zehn Unternehmen mit integrierter KI von gestiegener Arbeitsproduktivität berichten. Bei Unternehmen in der Erprobungsphase sind die Einschätzungen verhaltener. Dies deutet darauf hin, dass Produktivitätsgewinne oft zeitverzögert eintreten, da Integration, Lernprozesse und Anpassung der Arbeitsabläufe Zeit benötigen.

Übersichtsarbeiten zeigen, dass sich Produktivitätseffekte stark nach Kontext und Anwendung unterscheiden. Filippucci et al. (2025) analysieren zahlreiche Mikrostudien, die Leistungssteigerungen durch generative KI von 14 Prozent (Kundenservice) bis 56 Prozent (Programmierung) beobachten. Diese Werte dienen als Basisannahme zur Abschätzung sektoraler und gesamtwirtschaftlicher Produktivitätsgewinne.

Ein Forschungspapier des Bundesverbands der Deutschen Industrie e.V. (BDI) fasst weitere Studienergebnisse zusammen: - Czarnitzki et al. (2023): KI in deutschen Unternehmen führt zu 5,5 bis 13,9 Prozent höherem Umsatz bei gleichen Inputs. - Ju und Aral (2025): Mensch-KI-Kollaboration steigert die Produktivität um 60 Prozent. - Dell’Acqua et al. (2023): KI in der Unternehmensberatung führt zu 25 Prozent höherer Produktivität. - Brynjolfsson et al. (2023): KI im Kundenservice steigert die Produktivität um 14 Prozent. - Peng et al. (2023): KI in der Softwareentwicklung führt zu 56 Prozent Effizienzsteigerung. - vfa & BCG (2024) und Dermawan & Alotaiq (2025): KI in Forschung und Entwicklung beschleunigt die Entwicklung um 50 Prozent und erhöht den Umsatzanteil um 8,9 Prozent.

Kritische Ergebnisse lieferte eine Studie des MIT (NANDA Projekts), die feststellte, dass nur ein Bruchteil von 5 Prozent der Pilotprojekte einen positiven Return on Investment (ROI) erzielt. Haupthemmnisse sind unzureichende Integration, fehlende Feedbackmechanismen und Defizite in der Lernkultur. Dies unterstreicht, dass der Erfolg von KI-Systemen weniger von der technischen Leistungsfähigkeit, sondern von weichen Faktoren wie Adaptionstiefe und Qualifikationsentwicklung abhängt.

Volkswirtschaftliche Produktivitätseffekte

Auf volkswirtschaftlicher Ebene wird KI vielfach als potenzieller Wendepunkt für das Produktivitätswachstum betrachtet. Optimistische Schätzungen gehen davon aus, dass KI die Produktivität pro Stunde steigern und Wachstumsschübe ähnlich wie digitale Technologien in den 1990er-Jahren auslösen könnte. Dies basiert auf der Annahme, dass KI menschliche Tätigkeiten ergänzt und erweitert, was zu Produktivitätsschüben und höheren Einkommen führen kann. Prognosen divergieren jedoch stark je nach methodischem Ansatz und Annahmen zur Diffusionsgeschwindigkeit.

Hatzius et al. (2023) schätzen für die USA ein zusätzliches Arbeitsproduktivitätswachstum von 0,3 bis 3 Prozentpunkten pro Jahr. Der BDI (2025) beziffert für Deutschland jährliche Produktivitätszuwächse zwischen 0,15 und 1,16 Prozentpunkten, im Mittel rund 0,5 Prozentpunkte. Die Evidenz legt nahe, dass KI auf industrieller und volkswirtschaftlicher Ebene relevante, aber stark kontextabhängige Produktivitätseffekte erzeugt. Strukturelle Faktoren wie Infrastruktur, Fachkräfte und Kapital spielen eine wesentliche Rolle. Deutschland könnte aufgrund eines geringeren Anteils wissensintensiver Dienstleistungssektoren zunächst geringere Produktivitätsgewinne erzielen.

KI und der Einfluss auf berufliche Aufgaben und Berufe

Der aufgabenbasierte Ansatz ermöglicht eine differenzierte Analyse der Auswirkungen von KI auf den Arbeitsmarkt. Im Gegensatz zu früheren Digitalisierungswellen betrifft generative KI zunehmend auch nicht-routinebasierte kognitive Tätigkeiten, die traditionell von Hochqualifizierten ausgeführt werden. Ein Beruf wird dabei in einzelne Aufgaben zerlegt, deren Automatisierbarkeit oder Unterstützung durch KI bewertet wird. Routine- und standardisierte Sprachaufgaben weisen das größte Automatisierungspotenzial auf, während interaktive und kontextabhängige Aufgaben höhere Augmentierungschancen bieten. Tätigkeiten mit hohem Maß an persönlicher Interaktion, kreativer Gestaltung oder physischer Aktivität bleiben weitgehend unbeeinflusst.

Hatzius et al. (2023) schätzen, dass generative KI langfristig etwa 25 Prozent der Arbeitsaufgaben in entwickelten Volkswirtschaften automatisieren könnte. Trotz der potenziellen Automatisierung von bis zu 58 Prozent der Aufgaben ist es wahrscheinlicher, dass KI Arbeitsplätze transformiert, anstatt sie zu eliminieren, indem sie die erforderlichen Fähigkeiten verändert. Die Nachfrage nach einer Kombination aus KI-bezogenen und menschzentrierten Fähigkeiten steigt, wobei der Mangel an KI-Kompetenzen ein wesentliches Hemmnis darstellt.

Auswirkungen auf Berufe

Der job-basierte Ansatz betrachtet den Einfluss von KI auf der Ebene ganzer Berufe. Neuere Analysen der Internationalen Arbeitsorganisation (ILO) bewerten jeden Beruf anhand der Automatisierbarkeit seiner Teilaufgaben. Die meisten Berufe weisen ein heterogenes Aufgabenprofil auf, bei dem einige Tätigkeiten stark, andere kaum automatisierbar sind. Eine vollständige Substitution menschlicher Arbeit findet in der Regel nicht statt.

Rund ein Viertel der globalen Arbeitsplätze ist in unterschiedlichem Maße KI-Einflüssen ausgesetzt. Nur ein sehr kleiner Anteil (ca. 3,3 Prozent) befindet sich im höchsten Expositionsgrad. In Hochlohnländern sind rund 34 Prozent aller Jobs betroffen, verglichen mit etwa 11 Prozent in Niedriglohnländern. Die Exposition von Frauen ist in den oberen Expositionsgraden deutlich höher als die von Männern. Eine IMF-Studie von Cazzaniga et al. (2024) zeigt, dass Berufe in hochentwickelten Volkswirtschaften mit 60 Prozent deutlich stärker von KI betroffen sind als in Schwellen- und Niedrigeinkommensländern.

In Deutschland zeigen Analysen, dass Fertigungs- und technische Berufe die höchsten Substituierbarkeitspotenziale aufweisen. IT- und naturwissenschaftliche Dienstleistungen verzeichnen einen deutlichen Anstieg ihrer Exposition. Tätigkeiten mit hohem Anteil an Interaktion, Kommunikation oder körperlicher Arbeit sind weniger betroffen. Büro- und Verwaltungstätigkeiten mit wiederkehrenden Aufgaben haben ein hohes Automatisierungspotenzial, während Berufe, die kritisches Denken und komplexe Problemlösung erfordern, stärker von Augmentierung geprägt sind.

Insgesamt zeigt der job-basierte Ansatz, dass KI weniger als Ersatz-, sondern eher als Transformationskraft auftritt. Das Bündel von Aufgaben, das jeden Beruf prägt, wirkt dabei als Puffer gegen vollständige Automatisierung. Wenn KI eingesetzt wird, um Routinearbeit zu reduzieren und Beschäftigte für höherwertige Aufgaben zu entlasten, kann dies die Arbeitsqualität verbessern und Fachkräfteengpässe mildern.

KI und der Einfluss auf Berufserfahrung

Der technologische Wandel durch KI hat auch Auswirkungen auf die Bedeutung von Berufserfahrung. Die neue Generation generativer KI greift zunehmend in die Arbeitsbereiche hochqualifizierter Beschäftigter ein. Der Sachverständigenrat (2025) betont, dass KI im Gegensatz zu früheren Technologien vermehrt Nicht-Routine-Tätigkeiten in wissensintensiven Berufen automatisieren kann. Dadurch verschiebt sich der Schutzmechanismus, der bislang mit hoher Qualifikation und Erfahrung verbunden war. Selbst Tätigkeiten, die auf analytischem Denken, Urteilsvermögen oder kreativer Problemlösung beruhen, können heute durch KI unterstützt oder teilweise ersetzt werden.

Kuhn und Seibert (2025) zeigen, dass sich die Substituierbarkeitspotenziale zunehmend in Richtung höher qualifizierter Berufssegmente verschieben. Während früher Helfer und Fachkräfte als besonders ersetzbar galten, weisen heute Spezialisten und Experten die größten Zuwächse im Substituierbarkeitspotenzial auf. Demary et al. (2025) bestätigen den Zusammenhang zwischen Anforderungsniveau und KI-Nähe: 2023 galten rund 90 Prozent der Expertinnen, aber nur 7 Prozent der Helferinnen als „KI-nah“. Erfahrung und Expertise bleiben wichtig, bieten aber keinen automatischen Schutz vor technologischem Wandel.

Gleichzeitig wirkt KI stark auf die Phase des Berufseinstiegs. Der Wandel könnte gerade junge Menschen besonders hart treffen, da sie häufig in Berufen mit standardisierten Einstiegsaufgaben arbeiten. García (2025) beschreibt, dass die Informatik zu den Branchen mit der höchsten Zunahme an KI-Exposition gehört, wobei Junior-Positionen besonders betroffen sind. KI ersetzt nicht primär erfahrene Experten, sondern nimmt jungen Fachkräften Lern- und Routinephasen, die traditionell den Aufbau praktischer Erfahrung ermöglichten.

Die Wirkung von KI auf Berufserfahrung bleibt ambivalent. KI schafft sowohl Chancen zur Demokratisierung komplexer Tätigkeiten als auch neue Ungleichheiten. Sie kann Nicht-Experten befähigen, anspruchsvolle Aufgaben zu übernehmen und so die Mittelschicht stärken. Kurzfristig profitieren weniger erfahrene Beschäftigte teilweise durch Produktivitätsgewinne und Lernunterstützung. Gleichzeitig entstehen Ungleichheiten, wenn Beschäftigte mit geringerer Anpassungsfähigkeit abgehängt werden. Mittelfristig kann Substitution drohen, sobald KI weitere Routinetätigkeiten vollständig übernimmt.

Es könnte neu zu bestimmen sein, was Erfahrung ausmacht und wo ihr Wert liegt. Hochqualifizierte sind nicht mehr automatisch geschützt, Berufseinsteiger müssen neue Lernwege finden, und der Wert von Berufserfahrung entsteht künftig weniger aus ihrer Dauer, sondern aus der Fähigkeit, technologische Veränderungen aktiv zu integrieren und situativ anzuwenden. Damit verändert KI nicht nur Tätigkeiten, sondern auch die ökonomische und soziale Bedeutung von Erfahrung.

KI und der Einfluss auf Branchen

Die Auswirkungen von KI auf den Arbeitsmarkt unterscheiden sich deutlich zwischen den Branchen. Generative KI zeigt ein Muster, bei dem Branchen, die stark auf kognitive, daten- und sprachbasierte Aufgaben angewiesen sind, eine höhere Exposition aufweisen. Wissensintensive Dienstleistungen sind demnach besonders stark exponiert, während physisch geprägte Sektoren bisher geringere Automatisierungsrisiken aufweisen (World Economic Forum, 2023; Filippucci et al., 2025; Sachverständigenrat, 2025).

Besonders stark betroffen sind laut allen aktuellen Untersuchungen die wissens- und datenzentrierten Dienstleistungen, wie Finanz- und Versicherungswirtschaft, Informations- und Kommunikationsdienste, Medien und Unterhaltung sowie professionelle Dienstleistungen. In diesen Branchen sind zwischen 50 und 80 Prozent der Aufgaben potenziell KI-exponiert. Diese Branchen weisen sowohl hohe Automatisierungs- als auch Augmentierungspotenziale auf. KI wird hier weniger zur Reduktion von Beschäftigung führen, sondern vor allem die Art der Arbeit verändern.

Demgegenüber weisen Produktions- und manuell geprägte Branchen eine deutlich geringere Betroffenheit auf. Landwirtschaft, Bau, Bergbau und Teile des klassischen verarbeitenden Gewerbes sind stark von physischen, nicht-digitalisierbaren Tätigkeiten geprägt. In diesen Sektoren liegt der Anteil potenziell automatisierbarer Aufgaben meist zwischen 10 und 30 Prozent. Ob diese Potenziale jedoch tatsächlich zu einem Rückgang der Arbeitsnachfrage führen, hängt von Investitionsentscheidungen und Technologieeinführung ab.

Die Art der Transformation unterscheidet sich ebenfalls deutlich zwischen Branchen. Während in einigen Branchen die Automatisierung dominiert, steht in anderen die Mensch-Maschine-Kollaboration im Vordergrund. Nach Projektionen des World Economic Forum (2025) werden in der Versicherungs- und Telekommunikationsbranche mehr als 95 Prozent des Rückgangs menschlicher Tätigkeitsanteile bis 2030 auf Automatisierung zurückzuführen sein. Im Gesundheitswesen und im öffentlichen Sektor wird rund die Hälfte der Veränderungen durch Augmentierung entstehen.

Der gesamtwirtschaftliche Effekt von KI hängt entscheidend von der Sektorstruktur einer Volkswirtschaft ab. Filippucci et al. (2025) zeigen, dass in G7-Ländern die fünf am stärksten KI-exponierten Sektoren (IT, Telekommunikation, Medien, Finanzen und professionelle Dienstleistungen) zwischen 15 und 25 Prozent der Wertschöpfung ausmachen. Länder mit einem hohen Anteil dieser Branchen, wie die USA und das Vereinigte Königreich, können somit deutlich früher höhere Produktivitätsgewinne erzielen. In Ländern mit stark industrieller Ausrichtung, wie Deutschland, Italien oder Japan, liegen die erwarteten Produktivitätsgewinne dagegen deutlich niedriger.

Für einen stark industriell geprägten Standort wie Deutschland bedeutet dies, dass der Einsatz von KI nicht nur technologische, sondern auch strukturell spezifische Strategien erfordert. Deutschland sollte hier einen eigenen Weg gehen, der die industrielle Stärke des Landes mit den Chancen der KI verknüpft, insbesondere durch den Aufbau spezialisierter Large Industry Models für produktionsnahe Anwendungen und die Stärkung industrieller Anwendungskompetenzen.

Die Diskussion um eine KI-Steuer

Die Debatte um eine mögliche „KI-Steuer“ ist Ausdruck der wachsenden Sorge, dass der technologische Wandel durch KI bestehende fiskalische und soziale Gleichgewichte verschieben könnte. Wenn Unternehmen ihre Produktivität durch KI erhöhen, während die Steuereinnahmen aus Arbeit durch potenzielle Beschäftigungs- und Lohnsummenrückgänge sinken, droht der Staat langfristig Einnahmen zu verlieren. Zugleich steigen Kapitaleinkommen durch die Gewinne aus KI-Technologien. Die Forderung nach einer KI-Steuer entspringt daher der Frage nach der fiskalischen Tragfähigkeit im Zeitalter der Automatisierung.

Wirtschaftlich ist die Debatte eng mit der Veränderung der Produktivitätsbeziehung zwischen den Faktoren Kapital und Arbeit sowie der Diskussion um eine Wertschöpfungsabgabe verbunden. KI steigert die Kapitalrendite, da Produktivitätszuwächse zunehmend über technologische Systeme erzielt werden, während der Beitrag menschlicher Arbeit abnimmt. Dies führt zu einer Verschiebung der Einkommensverteilung zugunsten von Kapitaleigentümern und könnte bestehende Ungleichheiten vertiefen. Die Besteuerung des Produktionsfaktors Kapital wird durch Globalisierung und Digitalisierung erschwert, da Kapital mobiler ist als Arbeit.

Internationale Organisationen wie der Internationale Währungsfonds (IWF) sprechen sich jedoch gegen die Einführung spezieller KI-Abgaben aus. Der IWF hält es für wenig praktikabel, eine „Maschinen-“ oder „Robotersteuer“ administrativ sauber zu definieren oder technologisch klar abzugrenzen. Stattdessen plädiert er für eine Neuordnung der allgemeinen Steuerstruktur: geringere Belastung der Arbeit und höhere Besteuerung von Kapitalerträgen. Eine gezielte Anpassung der Unternehmensbesteuerung soll sicherstellen, dass sich Investitionen stärker auf neue Tätigkeitsfelder und Qualifikationsbedarfe richten. Zudem empfiehlt der IWF den Ausbau aktiver Arbeitsmarktpolitik und Weiterbildung, um den Übergang sozial abzufedern.

Brollo et al. (2024) argumentieren ebenfalls, dass Sondersteuern auf KI nicht zu empfehlen seien, da sie schwer umsetzbar und potenziell wachstumshemmend seien. Stattdessen sollten Staaten bestehende Unternehmens- und Kapitaleinkommenssteuern reformieren, um negative Arbeitsmarkteffekte abzufedern. Dies umfasst eine Stärkung der Kapitalertragsteuer sowie die Einführung von Übergewinnsteuern für besonders profitable KI-Unternehmen. Im Mittelpunkt steht die Anpassung des Steueraufkommens an die neue Einkommensstruktur der digitalen Wirtschaft.

In Deutschland gab es im Sommer 2023 eine erste politische Diskussion über eine KI-Steuer. Vertreter der SPD und Grünen forderten eine steuerliche Erfassung des KI-Einsatzes, um potenzielle Einnahmeverluste durch wegfallende Arbeitsplätze zu kompensieren. Kritiker aus Wirtschaft und Verbänden warnten vor einer Innovationsbremse und der Gefährdung der internationalen Wettbewerbsfähigkeit Deutschlands.

Zusammenfassendes Fazit

Künstliche Intelligenz (KI) entwickelt sich zu einem zentralen Treiber wirtschaftlicher Transformation. Die empirischen Befunde zeigen ein ambivalentes, aber moderates Bild ihrer Auswirkungen auf Beschäftigung und Arbeitsstrukturen. KI entfaltet eine doppelte Dynamik: Sie steigert Leistungsfähigkeit und Effizienz, kann aber auch bestehende Ungleichheiten verstärken und Arbeitsmärkte polarisieren. Die Beschäftigungseffekte bleiben bisher gering, wobei der Einsatz sich auf große Unternehmen in frühen Implementierungsphasen konzentriert, die eher Einstellungsstopps als Entlassungen umsetzen. Historische Erfahrungen deuten darauf hin, dass KI weniger Arbeitsplätze vernichtet, sondern deren Struktur und Kompetenzanforderungen grundlegend verändert.

Unternehmen nutzen KI primär zur Produktivitäts- und Effizienzsteigerung, doch der Grad der Durchdringung ist heterogen. Zwischen 10 und 37 Prozent der Unternehmen nutzen KI-Anwendungen, weitere 25 bis 36 Prozent planen die Einführung, insbesondere in der Informationswirtschaft und im verarbeitenden Gewerbe. Große Unternehmen und wissensintensive Branchen sind Vorreiter, während KMU langsamer adaptieren. Diese ungleiche Diffusion verstärkt strukturelle Unterschiede zwischen Unternehmensgrößen und Sektoren und beeinflusst die Entwicklung der Arbeitsnachfrage. Herausforderungen bestehen in der breiten, aktuellen und konsistenten empirischen Erfassung der KI-Nutzung.

Die Produktivitätswirkungen sind uneinheitlich und kontextabhängig. Ökonomische Prognosen zeigen mögliche Wachstumssteigerungen, doch die tatsächlichen Effekte hängen stark von unternehmensinternen Faktoren ab. Der Erfolg des KI-Einsatzes wird weniger durch technologische Leistungsfähigkeit als durch weiche Faktoren wie Adaptionstiefe, Anpassungsfähigkeit von Organisationen und Qualifikationsentwicklung der Beschäftigten bestimmt. Fehlende Dateninfrastrukturen, Fachkräftemangel und geringe Transferfähigkeit bremsen die Entfaltung des vollen Produktivitätspotenzials. KI wirkt produktivitätssteigernd, aber nur dort, wo sie in vorbereitete Strukturen und Innovationssysteme eingebettet ist.

Die Auswirkungen auf Tätigkeiten und Berufe verdeutlichen eine qualitative statt quantitative Veränderung der Arbeitswelt. Der aufgabenbasierte Ansatz zeigt, dass KI einzelne Aufgaben vollständig automatisieren, andere jedoch produktiv ergänzen kann. Dies führt nicht zur Ersetzung ganzer Berufe, sondern zur Neustrukturierung von Tätigkeitsbündeln. KI reduziert Routinetätigkeiten und ermöglicht Beschäftigten, sich auf komplexe, kreative oder interaktive Aufgaben zu konzentrieren, was die Arbeitsqualität verbessern und Fachkräfteengpässe mildern kann, vorausgesetzt entsprechende Weiterbildungsstrukturen und Anreizsysteme sind vorhanden.

Der Einfluss von KI auf kognitiv-anspruchsvolle Aufgaben ist neu und verändert die Bedeutung von Berufserfahrung. KI ermöglicht die Demokratisierung komplexer Tätigkeiten, indem Nicht-Experten anspruchsvolle Aufgaben übernehmen können, was die berufliche Mittelschicht stärken kann. Gleichzeitig entstehen Ungleichheiten, wenn Beschäftigte mit geringer Anpassungsfähigkeit abgehängt werden. Erfahrung könnte ihren traditionellen Wert als reine Dauerleistung verlieren oder aber die Qualität von KI verbessern. Wandelkompetenz – die Fähigkeit, technologische Innovationen zu verstehen, zu integrieren und situativ anzuwenden – gewinnt an Bedeutung.

Auf Branchenebene zeigt sich ein klares sektorales Muster. KI entfaltet ihre stärkste Wirkung in Bereichen mit hohem Informations- und Kommunikationsanteil, während manuelle Tätigkeiten weniger direkt betroffen sind, aber indirekte Transformationen erfahren. Wertschöpfung verschiebt sich zunehmend in wissensintensive Segmente. Für Deutschland, einen industriell geprägten Standort, bedeutet dies die Notwendigkeit spezifischer Strategien, die industrielle Stärke mit den Chancen der KI verknüpfen.

Die Diskussion um eine KI-Steuer spiegelt die Sorge um fiskalische Ungleichgewichte wider. Wenn KI die Produktivität erhöht, während Arbeitsvolumen und Lohnsummen sinken, drohen Rückgänge der Lohnsteuerbasis und steigende Kapitaleinkommen. Eine KI-Steuer wird als Ansatz zur langfristigen Sicherung fiskalischer Tragfähigkeit diskutiert, jedoch warnen Kritiker vor Innovationshemmnissen. Alternative Ansätze wie eine Gewinnbesteuerung KI-getriebener Produktivität könnten neue fiskalische Spielräume eröffnen.

Die Evidenz ist nicht eindeutig, ob KI den Arbeitsmarkt abrupt oder eher strukturell und kumulativ verändert. In jedem Fall verschieben sich Aufgaben, Kompetenzen und Einkommensstrukturen mit ungleicher Geschwindigkeit und Intensität über Branchen, Qualifikationen und Länder hinweg. Entscheidend für Politik und Wirtschaft ist, wie diese Transformation gestaltet wird: ob sie zu sozialer Polarisierung oder zu einem produktiven Gleichgewicht zwischen Effizienz und Teilhabe führt.

Bibliographie

- Acemoglu, Daron und Autor, David (2011): Skils, Tasks and Technologies: Implications for Employment and Earnings. Handbook of Labor Economics, Vol. 4, Part B: 1043-1171. - Acemoglu, Daron und Restrepo, Pascual (2019): Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives 33 (2):3-30. doi: 10.1257/jep.33.2.3. - Arntz, Melanie; Baum, Myriam; Brüll, Eduard; Dorau, Ralf; Hartwig, Matthias; Lehmer, Florian; Matthes, Britta; Meyer, Sophie-Charlotte; Schlenker, Oliver; Tisch, Anita und Wischniewski, Sascha (2025): Digitalisierung und Wandel der Beschäftigung (DiWaBe 2.0): Eine Datengrundlage für die Erforschung von Künstlicher Intelligenz und anderer Technologien in der Arbeitswelt. Dortmund. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin. - Arntz, Melanie; Blesse, Sebastian und Dörrenberg, Philipp (2022): The End of Work Is Near, Isn’t It? Survey Evidence on Automation Angst. ZEW Discussion Paper 22 (36). - Arntz, Melanie; Gregory, Terry; Jansen, Simon und Zierahn, Ulrich (2016): Tätigkeitswandel und Weiterbildungsbedarf in der digitalen Transformation. ZEW-Gutachten. - Autor, David H. und Handel, Michael J. (2013): Putting Tasks to the Test: Human Capital, Job Tasks, and Wages. Journal of Labor Economics 31 (2):59-96. - Autor, David H.; Katz, Lawrence F. und Kearney, Melissa S. (2008): Trends in U.S. Wage Inequality: Revising the Revisionists. The Review of Economics and Statistic 90 (2):300-323. doi: https://doi.org/10.1162/rest.90.2.300. - Autor, David H.; Levy, Frank und Murnane, Richard J. (2003): The Skill Content of Recent Technological Change: An Empirical Exploration. The Quarterly Journal of Economics 118 (4): 1279-1333. doi: https://doi.org/10.1162/003355303322552801. - Autor, David; Levy, Frank und Murnane, Richard (2001): The skill content of recent technological change: An empirical exploration. NBER Working Paper Series 8337. - Baum, Myriam und Dorau, Ralf (2024): DiWaBe (Digitalisierung und Wandel der Beschäftigung) – Beschäftigtenbefragung 2.0. Bonn. Bundesinstitut für Berufsbildung. - BDI (2025): Künstliche Intelligenz als Wachstumschance? Gesamtwirtschaftliche Potenziale für Deutschland. https://bdi.eu//publikation/news/kuenstliche-intelligenz-als-wachstumschance. - Brollo, F., Dabla-Norris, E., de Mooij, R., Garcia-Macia, D., Hanappi, T., Liu, Y., & Nguyen, H. (2024). Broadening the Gains from Generative AI: The Role of Fiscal Policies. International Monetary Fund, Staff Discussion Notes, 002 (2024). https://doi.org/10.5089/9798400277177.006. - Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab. - Cazzaniga, M., Jaumotte, F., Li, J., Melina, G., Panton, A., Pizzinelli, C., Rockall, J., & Tavares, M. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Notes 2024, 001 (2024). https://doi.org/10.5089/9798400262548.006. - Challapally, S., Pease, A., Raskar, R., & Chari, S. (2025). The GenAI Divide: State of AI in Business 2025. (MIT NANDA). https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf. - Demary, V., Grömling, M., Kestermann, F., Scheufen, M., Seele, J., Stettes, O., & Trenz, M. (2025). Wie wird KI die Produktivität in Deutschland verändern?. Institut der Deutschen Wirtschaft & IW Consult, Gutachten im Auftrag des Gemeinschaftsausschusses der Deutschen Gewerblichen Wirtschaft. https://www.iwkoeln.de/fileadmin/user_upload/Studien/Gutachten/PDF/2025/Gutachten_2025-Produktivit%C3%A4t-KI-barrierefrei.pdf. - Dengler, Katharina (2019): Substituierbarkeitspotenziale von Berufen und Veränderbarkeit von Berufsbildern. Nürnberg. Institut für Arbeitsmarkt- und Berufsforschung. - Dengler, Katharina und Matthes, Britta (2015): Folgen der Digitalisierung für die Arbeitswelt. Substituierbarkeitspotenziale von Berufen in Deutschland. IAB-Forschungsbericht 2015 (11). - Deloitte (2025). Generative KI und die Zukunft der Arbeit. https://www.deloitte.com/de/de/services/consulting/perspectives/generative-ki-und-die-zukunft-der-arbeit.html. - Engels, T., Scheufen, M., & Schmitz, H. (2025). Künstliche Intelligenz als Wettbewerbsfaktor für die deutsche Wirtschaft. Empirische Befunde und Handlungsempfehlungen zum Einsatz von KI in deutschen Unternehmen. IW-Report, Nr. 33. https://www.iwkoeln.de/fileadmin/user_upload/Studien/Report/PDF/2025/IW-Report_2025-KI-als-Wettbewerbsfaktor.pdf. - Expertenkommission Forschung und Innovation (EFI) (2024). Gutachten 2024. Gutachten zur Forschung, Innovation und Technologischer Leistungsfähigkeit Deutschlands. https://www.e-fi.de/fileadmin/Assets/Gutachten/2024/EFI_Gutachten_2024_24124.pdf. - Filippucci, C., Gal, M., Laengle, S., & Schief, S. (2025). Macroeconomic productivity gains from Artificial Intelligence in G7 economies. OECD Artificial Intelligence Papers, Nr. 41, OECD Publishing. https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/macroeconomic-productivity-gains-from-artificial-intelligence-in-g7-economies_dcf91c3e/a5319ab5-en.pdf. - Frey, Carl Benedikt und Osborne, Michael A. (2013): The Future of Employment: How Susceptible are Jobs to Computerisation? . Technological Forecasting and Social Change 114: 254-280. - García, A. (2025). The future of work: How will junior programmers be affected?. https://www.ilo.org/resource/article/future-work-how-will-junior-programmers-be-affected. - Gmyrek, L., Berg, J., Kamiński, K., Konopczyński, M., Ładna, A., Nafradi, E., Rosłaniec, P., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure. ILO Working Paper 140. https://www.ilo.org/sites/default/files/2025-05/WP140_web.pdf. - Grienberger, Katharina; Matthes, Britta und Paulus, Wiebke (2024): Folgen des technologischen Wandels für den Arbeitsmarkt: Vor allem Hochqualifizierte bekommen die Digitalisierung verstärkt zu spüren. IAB-Kurzbericht 2024 (5). doi: 10.48720/IAB.KB.2405. - Hatzius, J., Briggs, J., & Kodnani, D. (2023). The Potentially Large Effects of Artificial Intelligence on Economic. Goldman Sachs Research. https://www.gspublishing.com/content/research/en/reports/2023/03/27/d64e052b-0f6e-45d7-967b-d7be35fabd16.html. - Institut der deutschen Wirtschaft (IW) (2026). Arbeitszeit, Produktivität, KI – wie Deutschland sein Arbeitskräfteangebot stabilisieren kann. https://www.iwkoeln.de/studien/andrea-hammermann-oliver-stettes-arbeitszeit-produktivitaet-ki-wie-deutschland-sein-arbeitskraefteangebot-stabilisieren-kann.html - Konradin Medien GmbH (2026). Wie Künstliche Intelligenz den Arbeitsmarkt verändert. https://www.wissen.de/wie-kuenstliche-intelligenz-den-arbeitsmarkt-veraendert. - Kuhn, G., & Seibert, M. (2025). Digitalisierung der Arbeitswelt: Durch künstliche Intelligenz sind inzwischen auch viele Expertentätigkeiten ersetzbar. IAB-Regional, 01/2025. DOI:10.48720/IAB.REBB.2501. - LOHN + GEHALT (2024). Wie künstliche Intelligenz die Arbeitswelt verändert. https://www.lohnundgehalt-magazin.de/print/ausgabe-2-2024/wie-kuenstliche-intelligenz-die-arbeitswelt-veraendert/. - McKinsey (2024). KI beschleunigt Umbrüche am Arbeitsmarkt: Produktivitätsschub von 3% möglich. https://www.mckinsey.de/news/presse/2024-05-23-mgi-genai-future-of-work. - OECD (2023): OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market. OECD Publishing, Paris. https://doi.org/10.1787/08785bba-en. - OECD (2025): OECD Employment Outlook 2025: Can We Get Through the Demographic Crunch?. OECD Publishing, Paris. https://doi.org/10.1787/194a947b-en. - Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung (2025). Frühjahrsgutachten 2025. https://www.sachverstaendigenrat-wirtschaft.de/fileadmin/dateiablage/gutachten/fg2025/FG2025_Gesamtausgabe.pdf. - Tamayo, S., & Petrell, A. (2025). Work Transformed: The Promise and Peril of Artificial Intelligence. ILO Research Brief. https://www.ilo.org/sites/default/files/2025-07/ilo%20brief%20work%20transformed%20promise%20and%20peril%20of%20ai.pdf. - Teutloff, O., Braesemann, F. (2025). Resilienz statt Reskilling: Wie KI den Arbeitsmarkt verändert und wie wir darauf reagieren müssen. Wirtschaftsdienst, 105(10), 715–719. https://www.wirtschaftsdienst.eu/inhalt/jahr/2025/heft/10/beitrag/resilienz-statt-reskilling-wie-ki-den-arbeitsmarkt-veraendert-und-wie-wir-darauf-reagieren-muessen.html. - Wissenschaftliche Dienste des Deutschen Bundestages (2025). Der Einfluss von Künstlicher Intelligenz auf den Arbeitsmarkt. https://www.bundestag.de/resource/blob/1136522/WD-5-066-25.pdf. - World Economic Forum (2023): Jobs of Tomorrow: Large Language Models and Job. https://www3.weforum.org/docs/WEF_Jobs_of_Tomorrow_Generative_AI_2023.pdf. - World Economic Forum (2025): The Future of Jobs Report 2025. https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf. - ZEIT ONLINE (2026). KI am Arbeitsmarkt: Wie wir nicht überflüssig werden. https://www.zeit.de/2026/06/ki-arbeitsmarkt-automatisierung-jobsicherheit-berufe/komplettansicht.