In aller Ausführlichkeit

Wenn man wissen will, welche Berufe durch KI ersetzt werden – oder ganz konkret: welche Aufgaben KI in Zukunft übernehmen wird, dann bringt einen eine einfache Liste nicht weiter. Drei aktuelle Untersuchungen liefern ein konsistentes Bild, das eine belastbare Entscheidungslogik gibt. Es gibt drei Dinge zu beachten:

  1. Was die Gesellschaft generell akzeptiert (und wo moralische Grenzen verlaufen).
  2. Was Beschäftigte auf Aufgabenebene wirklich automatisiert haben wollen – und wie sie mit KI zusammenarbeiten möchten.
  3. Wie Unternehmen heute aus Künstlicher Intelligenz tatsächlich messbaren Nutzen erzeugen – und warum die meisten Vorhaben daran scheitern, dass KI-Systeme nicht lernen, keinen Kontext halten und nicht tief in Arbeitsabläufe integriert sind.

Legt man diese drei Ebenen übereinander, entsteht eine klare Roadmap vom Pilot zur Wirkung.

Gesellschaftliche Akzeptanz: Wo Ersatz gewünscht ist und wo Grenzen bleiben

Eine Untersuchung der Harvard University („Performance or Principle – Resistance to Artificial Intelligence in the U.S. Labor Market") zeigt: Die Öffentlichkeit ist Künstlicher Intelligenz gegenüber offener, als viele annehmen. Unter dem heutigen Leistungsstand sprechen sich die Menschen für die Vollautomatisierung von rund 30% der Berufe aus; wenn KI als klar besser und günstiger beschrieben wird, steigt die Zustimmung auf 58%.[1] Eine KI-Assistenz wird in der überwältigenden Mehrheit der Berufe bejaht (deutlich über 90%)[1]. Gleichzeitig bleibt ein kleiner, präzise umrissener Bereich moralisch tabu – etwa Pflege, Therapie oder geistliche Führung[1]. Hier gilt Vollautomatisierung als unangebracht, unabhängig davon, wie gut oder günstig die KI-Technologien werden.

Moralische Grenzen der KI-Ersetzung

Für uns heißt das: Es gibt eine starke Akzeptanz für die Assistenz durch und (bei nachweislicher Überlegenheit) auch für den Ersatz einer menschlichen Tätigkeit durch die künstliche Intelligenz. Aber es existiert eine klare moralische Grundlinie, die bestimmte Berufe dauerhaft schützt. Das beeinflusst unmittelbar, welche Berufe durch Künstliche Intelligenz ersetzt werden und wo KI eher als hilfreiche Ergänzung in der Arbeitswelt auftreten sollte.

Die Sicht der Beschäftigten: Gerne Geschäftsprozesse automatisieren, aber in partnerschaftlicher Zusammenarbeit

Die Stanford University und das Massachusetts Institute of Technology haben ebenfalls eine Studie gemeinsam durchgeführt („Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce") und sie beleuchtet die Ebene, auf der Entscheidungen in Unternehmen tatsächlich getroffen werden: die Aufgabe. Ergebnis: Rund 46,1% der Aufgaben im Job würden Beschäftigte gerne automatisieren[3] – nämlich monotone, wenig wertschöpfende Tätigkeiten. Zugleich bevorzugen sie in der Breite eine Zusammenarbeit „Mensch + System": Die Skala der menschlichen Handlungsfähigkeit (fünfstufig von vollständiger Automatisierung bis zu Aufgaben, die ohne Menschen nicht sinnvoll sind) zeigt, dass die gleichberechtigte Partnerschaft als Zielbild dominiert.[3] Beschäftigte wollen KI-Systeme, die in der Arbeitswelt unterstützen, während Qualität und Verantwortung beim Menschen sichtbar bleiben.

Die vier Zonen der Automatisierung

Die Studie ordnet Aufgaben, neben den genannten fünf Stufen, außerdem in vier Zonen: eine „Grüne Zone" (hoher Wunsch, hohe technische Eignung), eine „Rote Zone" (technisch machbar, aber ungewollt), eine „Forschungs- und Entwicklungs-Zone" (hoher Wunsch, aktuell geringe Reife) und eine Zone niedriger Priorität.[3] Daraus folgt: Auch wenn Künstliche Intelligenz vieles kann, gewinnt, was Arbeitnehmer tatsächlich automatisiert sehen wollen – und wofür heute robuste, lernfähige KI-Technologien existieren. Dort liegt der konfliktarme, schnelle Weg zu Wirkung.

Übereinandergelegt: Wo Gesellschaft und Beschäftigte „Ja" sagen

Legt man die gesellschaftliche Akzeptanz und den Mitarbeiterwunsch übereinander, entstehen klare Prioritäten. In der „Grünen Zone" finden sich strukturierte, wiederholbare, daten- und dokumentenlastige Aufgaben: Datenerfassung, Standardberichte, Formular- und Vertragsverarbeitung, Sortieren von Informationen und Ähnliches. Hier wollen Angestellte Entlastung im Job und die Öffentlichkeit hat keine prinzipiellen Einwände. In sensiblen Feldern – Pflege, Seelsorge, rechtliche oder behördliche Entscheidung – ist Vollautomatisierung gesellschaftlich unerwünscht; hier soll der Mensch weiterhin die Verantwortung tragen und die KI ihm nur zuarbeiten.

Priorisierte Aufgabencluster in der Automatisierung

Welche Jobs durch KI ersetzt werden, lässt sich also durch die Studienlage sehr realistisch beantworten: Zuerst werden klar umrissene Aufgabencluster im Backoffice, in der Verwaltung und der standardisierten Wissensarbeit durch KI-Systeme automatisiert. Seltener aber ganze Berufe. Rollenprofile verschieben sich; der Mensch führt, prüft und trägt die Verantwortung. Es besteht also noch kein Grund, aus Angst vor dem „Jobkiller KI" die Karriere zu wechseln und in einen, aus gesellschaftlicher Sicht, unantastbaren Bereich wie die Seelsorge zu wechseln.

  • Partnerschaften mit externen Anbietern bei der Einführung von KI-Systemen sind etwa doppelt so erfolgreich wie unternehmensinterne Eigenentwicklungen.[2]
  • Zeit bis zum messbaren Nutzen: Mittelgroße Unternehmen brauchen rund 90 Tage, Großunternehmen rund neun Monate.[2]

KI-Einsatz in deutschen Unternehmen: Fokus auf Kundenkontakt und Kommunikation

Während die bisherigen Studien und Analysen zum Thema Künstliche Intelligenz vor allem auf den US-amerikanischen Markt Bezug nehmen, zeigt sich in Deutschland ein etwas anderes Bild hinsichtlich der praktischen Anwendung von KI in Unternehmen.

Laut einer aktuellen Bitkom-Presseinformation „Durchbruch bei Künstlicher Intelligenz" wird KI in deutschen Unternehmen vor allem im Kundenkontakt eingesetzt. 88% derjenigen Unternehmen, die KI-Systeme nutzen, setzen diese hier ein. Auch Marketing und Kommunikation sind wichtige Anwendungsfelder, in denen 57% der Unternehmen KI einsetzen.[4]

Deutlich weniger verbreitet ist der KI-Einsatz in anderen Bereichen wie Forschung und Entwicklung (21%), Produktionsabläufen (20%), Controlling und Rechnungswesen (17%), Personalabteilungen (14%) sowie im internen Wissensmanagement (11%).[4] Letzteres ist besonders interessant, da hier enorme Potenziale liegen.

Interessanterweise ist KI im Management, in Rechts- und Steuerabteilungen sowie im Vertrieb jeweils nur bei etwa 5% der Unternehmen im Einsatz, in der IT-Abteilung sogar nur bei 2%. Nur rund jedes achte Unternehmen (12%), das KI nutzt, integriert die Technologie direkt in eigene Produkte und Dienstleistungen.[4]

Der KI-Einsatz erfolgt in vielen Fällen noch punktuell: Ein Viertel der Unternehmen verwendet nur eine einzige KI-Anwendung, 27% zwei Anwendungen und 24% drei Anwendungen. Nur wenige Unternehmen setzen bereits vier oder mehr KI-Anwendungen ein.[4]

Effekt auf den deutschen Arbeitsmarkt

Die Auswirkungen von KI auf den Arbeitsmarkt sind laut Bitkom noch unklar und die Meinungen gehen auseinander:

  • Sicht der Unternehmen[4]
    • 67% der deutschen Unternehmen erwarten keinen Effekt auf die Beschäftigtenzahl
    • 20% rechnen mit einem Rückgang (im Schnitt −7%)
    • 7% wiederum mit einem Anstieg (im Schnitt +8%)
  • Sicht der KI-Nutzer[4]
    • 28% erwarten weniger Jobs (−7%)
    • 9% erwarten mehr Jobs (+9%)
    • 57% erwarten keinen Effekt
    • 31% sehen KI als Hebel gegen den Fachkräftemangel

KI wird also Berufsbilder verändern – einige verschwinden, neue entstehen – und bietet angesichts Demografie und Engpässen die Chance, Wettbewerbs- und Leistungsfähigkeit zu sichern.

Unternehmensrealität: Warum 95% scheitern – und wo messbare Wirkung entsteht

Eine dritte Studie, ebenfalls vom MIT („The GenAI Divide – State of AI in Business 2025"), spricht hinsichtlich messbarem ROI eine klare Sprache: Trotz hoher Anzahl von Pilotprojekten liefern rund 95% der Vorhaben keinen messbaren Beitrag zur Gewinn- und Verlustrechnung.[2]

Der Hauptgrund ist weder das Modell noch rechtliche oder regulatorische Rahmenbedingungen – es ist das fehlende Lernen der KI-Systeme, ihre mangelnde Fähigkeit den Kontext gänzlich und dauerhaft zu erfassen, und eine zu geringe Integration in die tatsächlichen Arbeitsabläufe. Systeme ohne Gedächtnis und Anpassungsfähigkeit brechen in der Praxis an Sonderfällen, Varianten und Prozessrealität regelmäßig auseinander.

Kritik an der Studie

Man muss aber fairerweise erwähnen, dass die Studie auch einige nennenswerte Schwachpunkte hatte:

  • Die Zahl basiert auf einer rein qualitativen Befragung von 52 leitenden Angestellten und Fachbereichsleitern[2]. Das ist etwas wenig für eine so reißerische Headline.
  • Es wurden zusätzlich zu den Interviews nur weitere 153 Meinungen per Umfrage von Führungskräften auf vier großen „Industry-Events" eingeholt[2]. Es wird nicht erläutert, um welche Art von Konferenzen es sich handelte.
  • Ein KI-Projekt wurde als „erfolgreich" bewertet, wenn der Einsatz über die Pilotphase hinaus erfolgte, messbare KPI definiert wurden UND ein ROI binnen ca. 6 Monaten erzielt wurde[2].
  • Die Metriken fokussierten sich hierbei auf erhöhte Produktivität und Kosteneinsparungen, wobei diese reine Selbsteinschätzung der Befragten waren.
  • Es wurde nicht zwischen selbst-entwickelten oder eingekauften KI-Lösungen unterschieden.

Das macht die Untersuchung nicht grundsätzlich schlecht und man sollte auf jeden Fall auf die Ergebnisse eingehen. Trotzdem gilt es bei der Interpretation vorsichtig zu sein.

Der ROI von KI: Beispiele für messbare Effekte durch lernfähige Systeme

Vertrieb: Leads, die Tempo machen. Ein mittelgroßes Softwareunternehmen verband sein CRM mit systemgestütztem Scoring und personalisierten Nachfassprozessen. Nach rund 90 Tagen war das System produktiv – die Lead-Qualifizierung lief etwa 40% schneller[2]; der Vertrieb blieb aber in der Entscheidungshoheit.

Bestandskunden: Kündigungen senken mit relevanten Anstößen. Ein Abo-Medienhaus automatisierte Follow-ups entlang der Kundenreise – Tonalität, Timing und Kanal passten sich dynamisch an. Alle Freigaben blieben beim Team. Ergebnis: rund 10% höhere Kundenbindung.[2]

Marketing: Agenturkosten dort kürzen, wo Standard zählt. Ein globaler Konsumgüterhersteller produzierte Standardformate (Varianten, Anzeigen, Produkttexte) inhouse – mit Leitplanken für Tonalität und menschlichem Review. Nach ein bis zwei Quartalen sanken die externen Agenturkosten um rund 30%.[2]

Backoffice: Outsourcing zurückholen, Qualität heben. Ein Unternehmen aus den Top-1000 holte sich service- und dokumentbezogene Prozesse zurück ins Unternehmen: Die KI erfasste, klassifizierte, übernahm das Routing und erstellte Standardantworten – alle Freigaben blieben beim Fachteam. Die Folge: 2 bis 10 Mio. US-Dollar Einsparungen pro Jahr und obendrein kürzere Durchlaufzeiten.[2]

Eigenentwicklung oder Partnerschaft?

Ein Großunternehmen startete mit einer Eigenentwicklung und blieb im Pilot stecken; im zweiten Anlauf mit einem externen Partner – gleiche Ziele, aber tiefe Workflow-Integration und klarer Outcome-Fokus – gelang der Rollout. Insgesamt zeigen die Fälle: Partnerschaften sind in der Breite etwa doppelt so erfolgreich wie reine In-house-Builds.[2]

Zeit bis zum Nutzen – was realistisch ist

KMU brachten ihre Anwendungsfälle in rund 90 Tagen von Pilot zu produktiv; Großunternehmen benötigten dagegen etwa neun Monate – der Unterschied lag weniger an den Modellen als an Integration, Governance und Entscheidungswegen.[2]

Was erfolgreiche Vorhaben auszeichnet – Lernen, Integration, Verantwortung

Aus der Kombination von gesellschaftlicher Akzeptanz, Mitarbeiterwunsch und Unternehmenspraxis ergibt sich ein klares Vorgehen, das dich sicher von Pilot zu Wirkung führt.

Richtig auswählen

Am besten beginnt man dort, wo es schnell wirkt und wenig Konflikte gibt: strukturierte, wiederholbare, dokumenten- und datenlastige Aufgaben mit hohem Automatisierungswunsch der Beschäftigten. Dabei ist es wichtig, Ist-Kennzahlen (Zeit, Qualität, Kosten, Risiken) zu dokumentieren und die sog. RAIC-Rollen zu definieren. Also: Wer ist verantwortlich, wer ist rechenschaftspflichtig, wer muss informiert und wer muss konsultiert werden.

Richtig bauen oder kaufen

Es gilt, KI-Systeme zu schaffen, die lernen: persistente Erinnerung, Rückkopplungen, Werkzeug-Orchestrierung. Nur so werden sie mit jedem Durchlauf besser – und nur so überstehen sie die Realität jenseits der Demo. Sie sollten tief in CRM, ERP und Dokumentenverwaltung integriert werden. Prüfe externe Partnerschaften: Sie erreichen etwa doppelt so oft die echte Einführung wie reine Eigenentwicklungen.

Richtig steuern

Es zählen Ergebnisse, nicht Demos. Gemessen werden sollte: Durchlaufzeit, Fehlerquote, First-Contact-Resolution, Kundenbindung und externe Ausgaben. Außerdem sollten pro Anwendungsfall klare Zielwerte definiert und konsequent die Linie von der Maßnahme zur Gewinn- und Verlustrechnung gezogen werden. Ebenso wichtig ist die Festlegung von Rollen, Freigaben und Eskalationspfaden passend zur Aufgabe. In sensiblen Domänen muss der Mensch sichtbar im Lead bleiben.

Drei Leitfragen für einen konkreten nächsten Schritt

  • Welcher Prozess wird konkret schneller oder fehlerärmer – und wie wird er gemessen (Zeit, Qualität, Kosten, Risiken)?
  • Wer trägt die fachliche Verantwortung und bleibt im Loop (Freigaben, Qualitätssicherung, Eskalation)?
  • Woran wird der Erfolg nahe am Ergebnis gemessen (z.B. Durchlaufzeit, Kundenbindung, externe Ausgaben)?

Wer sollte also Angst um seinen Job haben?

Die ehrliche Antwort: Die KI ersetzt kaum pauschal irgendwelche Jobs. Zuerst werden Aufgabenbündel in Backoffice, standardisierter Wissensarbeit und Teilen des Kundenservice automatisiert – nicht Berufe „am Stück". Dazu zählen Datenerfassung und -pflege, Formular- und Vertragsverarbeitung, Standard-Reporting, Ticket-Vorsortierung sowie Routine-Qualitätssicherung. In der Softwareentwicklung betrifft es wiederholbare Tätigkeiten wie Tests, Boilerplate-Code und Dokumentation – nicht Architektur oder komplexe Abwägungen.

Sensible Bereiche mit moralischen Grenzen

In sensiblen Jobs – Pflege, Therapie, Seelsorge, Teile der Rechtsprechung – bleibt Vollautomatisierung gesellschaftlich unerwünscht und die KI ersetzt so schnell vermutlich niemanden, selbst wenn es technisch möglich wäre. Hier ist der richtige Weg, die KI so einzusetzen, dass sie den Beschäftigten eine Erleichterung bringt, während sie aber immer am Steuer bleiben.

Partnerschaftliche Zusammenarbeit als Zukunft

Beschäftigte wünschen in der Breite von der KI-Revolution genau das – eine KI, die mit ihnen arbeitet, statt sie aus ihren Jobs zu verdrängen. In vielen Berufen ist das die Zielkonfiguration: Die Beschäftigten geben die Richtung vor, behalten aber Kontrolle und Verantwortung. Die KI beschleunigt, strukturiert, dokumentiert und schlägt Optionen vor.

Skills im Wandel: Weg von reiner Informationsverarbeitung, hin zu Interaktion & Organisation

Mit der Zunahme lernfähiger KI-Systeme verschiebt sich die Bedeutung von Fähigkeiten. Aufgaben, die primär Informationsverarbeitung verlangen, verlieren an relativer Wichtigkeit. Dagegen gewinnen interpersonale, organisatorische und entscheidungsbezogene Aufgaben und Kompetenzen – Führen, Koordinieren, Entscheiden, Beziehungen gestalten, Qualität beurteilen.[3]

Genau dort fordert die Arbeit mehr menschliche Handlungsfähigkeit – und genau dort wirken KI-Technologien am besten als Partner, nicht als Ersatz. Das bedeutet für Unternehmen zweierlei: Sie sollten in Fähigkeiten investieren, die mit Künstlicher Intelligenz komplementär sind (Kommunikation, Moderation, Urteilsfähigkeit, Verantwortung), und die Zusammenarbeit „Mensch + System" bewusst anstreben und gestalten. Das hebt nicht nur Produktivität, sondern macht Unternehmen robuster gegen zukünftige Automatisierungsschübe.

Fazit: Realistisch starten – und konsequent auf messbare Wirkung steuern

Das Erfreuliche ist also, dass Beschäftigte die KI sehr begrüßen, solange Zusammenarbeit im Zentrum steht und Verantwortung klar beim Menschen bleibt. Und ein kleiner, bedeutsamer Bereich bleibt aus Prinzip menschlich.

Unternehmen, die diese drei Ebenen verbinden – Akzeptanz, Mitarbeiterwunsch, lernfähige Integration – landen auf der richtigen Seite der Einführung und haben deutlich bessere Chancen, die interne Adaption von KI voranzutreiben.