Wie Unternehmen mit Observed Exposure ihre KI-Transformation steuern — bevor die Statistik anschlägt

Jede technologische Transformation erzeugt zwei Arten von Unternehmen: solche, die ihre Wirkung messen, wenn sie bereits eingetreten ist — und solche, die sie erkennen, bevor die gängigen Kennzahlen ausschlagen. Im Falle der Künstlichen Intelligenz ist dieser Unterschied besonders folgenreich. Denn KI verändert Arbeit nicht durch den großen sichtbaren Einschnitt, sondern durch eine stille, graduelle Verschiebung: in Aufgabenprofilen, in Einstellungsentscheidungen, in der Frage, welche Kompetenzen eine Organisation in drei Jahren noch braucht — und welche sie heute noch aufbaut.

Die entscheidende Managementfrage lautet deshalb nicht, ob KI die eigene Belegschaft betrifft. Sie lautet: Woran erkennt man es früh genug, um geordnet zu handeln? Und genau hier versagen die meisten Frühwarnsysteme, weil sie am falschen Indikator messen.

Eine Antwort auf diese Frage liefern Maxim Massenkoff und Nathan McCrory in einer im März 2026 veröffentlichten Studie im Auftrag von Anthropic. Die Autoren entwickeln ein neues Messkonzept für KI-Exposition am Arbeitsmarkt — die Observed Exposure — das erstmals theoretische KI-Fähigkeiten mit realen Nutzungsdaten verknüpft. Ihr zentraler Befund ist dabei methodisch so präzise wie strategisch unbequem: In stark KI-exponierten Berufsfeldern zeigt die Arbeitslosenstatistik keinerlei Auffälligkeit. Kein Schock, kein Einbruch, kein Signal. Wer diese Zahl als Entwarnung liest, begeht einen Kategorienfehler. Denn die eigentliche Transformation vollzieht sich anderswo — in einer Kennzahl, die in keinem gängigen Führungsdashboard erscheint.

1. Die trügerische Stille

Massenkoff und McCrory legten im März 2026 eine Studie vor, die das methodische Arsenal der KI-Arbeitsmarktforschung grundlegend verändert. Ihr Ausgangsbefund klingt zunächst beruhigend: Kein statistisch signifikanter Anstieg der Arbeitslosigkeit in stark KI-exponierten Berufen. Gleichzeitig liefern die Autoren den strukturell alarmierenden Befund: Die Job-Einstiegsrate bei Arbeitnehmerinnen und Arbeitnehmern zwischen 22 und 25 Jahren in stark exponierten Berufen ist um 14,3 Prozentpunkte zurückgegangen. Für Beschäftigte über 25 Jahre zeigt sich kein vergleichbarer Effekt. Die Verschiebung findet nicht im Bestand statt. Sie findet an der Schwelle statt.

Drei externe Studien stützen dieses Muster unabhängig voneinander. Eine Analyse von 62 Millionen LinkedIn-Profilen und 200 Millionen Stellenausschreibungen dokumentiert einen deutlichen Rückgang von Junior-Einstellungen in KI-adoptierenden Unternehmen. Die NACE Class of 2025 meldet, dass nur noch 30 Prozent der Hochschulabsolventen eine Vollzeitstelle gesichert haben — verglichen mit 41 Prozent im Vorjahr. Der Stanford AI Index registriert einen relativen Beschäftigungsrückgang von 13 Prozent in KI-exponierten Einstiegsfeldern.

Die Botschaft ist eindeutig: Die Arbeitsmärkte absorbieren KI-Exposition vorerst über die Reduktion von Neuzugängen — nicht über Entlassungen. Für Unternehmenslenker bedeutet das zweierlei. Erstens greifen die klassischen Frühwarnsysteme nicht. Wer Arbeitslosenquoten beobachtet, sieht nichts. Wer Einstellungsvolumina in Einstiegspositionen beobachtet, sieht alles. Zweitens: Was heute als Junior-Pipeline versiegt, fehlt in fünf Jahren als Senior-Kompetenz.

2. Ein neues Messkonzept: Observed Exposure

2.1 Warum bisherige Ansätze zu kurz greifen

Die bisherige Forschung zur KI-Exposition am Arbeitsmarkt litt an einem grundlegenden Konstruktionsfehler: Sie maß, was KI theoretisch könnte — nicht, was sie tatsächlich tut. Das Ergebnis waren Expositionsranglisten, die plausibel klangen, aber empirisch nicht verankert waren. Der Abstand zwischen theoretischem Potenzial und realem Einsatz — der Capability-Deployment-Gap — variiert dramatisch zwischen Berufsfeldern und Organisationen. Wer diesen Abstand nicht kennt, kann weder die Geschwindigkeit der Transformation einschätzen noch die richtigen Interventionszeitpunkte bestimmen.

2.2 Die Methode im Detail

Das methodische Fundament des Papers besteht aus drei Datenschichten, die systematisch übereinandergelegt werden. Ausgangspunkt ist die O*NET-Datenbank des US-Arbeitsministeriums, die für rund 800 Berufe eine granulare Aufgabentaxonomie bereitstellt. Darauf aufgesetzt wird die β-Metrik von Eloundou et al. (2023): β=1 steht für vollständige autonome Ausführbarkeit durch ein Sprachmodell, β=0,5 für Ausführbarkeit mit Zusatzwerkzeugen, β=0 für keine relevante Beschleunigung. Den entscheidenden dritten Layer bilden anonymisierte Konversationsdaten aus dem Anthropic Economic Index — klassifiziert nach beruflichem Kontext und Automatisierungsgrad. Automation trägt dabei stärker zur Observed Exposure bei als Augmentation, weil sie den Kern des Displacement-Risikos bildet.

Die Validierung durch BLS-Beschäftigungswachstumsprognosen ist eindeutig: Je 10 Prozentpunkte höhere Observed Exposure senken die projizierte Beschäftigungswachstumsrate um 0,6 Prozentpunkte. Die theoretische Exposition allein zeigt keine vergleichbare Korrelation. Für Entscheider bedeutet das: Wer auf Basis von Potenzialmodellen plant, ohne den tatsächlichen Nutzungsgrad seiner KI-Werkzeuge zu messen, trifft Workforce-Entscheidungen auf systematisch unvollständiger Grundlage.

2.3 Der Capability-Deployment-Gap

Im Berufsfeld Computer & Mathematik beträgt die theoretische Exposition 94 Prozent — die Observed Exposure liegt bei 33 Prozent. Ein Gap von 61 Prozentpunkten. Dieser Gap hat doppelte strategische Bedeutung: Er zeigt, dass technologische Machbarkeit und wirtschaftliche Implementierung unterschiedlichen Dynamiken folgen — rechtliche Compliance-Anforderungen, technische Integrationsbarrieren, organisationale Trägheit und fehlende Governance-Strukturen bremsen die Adoption. Und er ist ein präziser Frühindikator: Was heute im Gap liegt, wird mit jeder Modellgeneration ein Stück weiter in die Observed Exposure wandern. Die Vorlaufzeit schrumpft.

3. Das demographische Profil der Exposition: Eine übersehene Gleichstellungsdimension

Die am stärksten exponierten Berufsgruppen sind Computer-Programmierer (74,5 %), Kundenservice-Mitarbeitende (70,1 %), Dateneingabefachkräfte (67,1 %), medizinisches Dokumentationspersonal (66,7 %) und Marktforschungsanalystinnen und -analysten (64,8 %). Das demographische Profil dieser Gruppe ist strukturell aufschlussreich: Die stark exponierte Gruppe ist 16 Prozentpunkte häufiger weiblich, verdient im Schnitt 47 Prozent mehr und verfügt über deutlich höhere Bildungsabschlüsse — Personen mit Hochschulabschluss sind viermal häufiger vertreten als in der nicht-exponierten Gruppe.

KI-Exposition trifft damit nicht prekäre Beschäftigung, sondern den Kern moderner Wissensarbeit. Das ist strukturell erklärbar: Wissensarbeit besteht zu einem hohen Anteil aus sprachlich vermittelbaren, kodifizierbaren Aufgaben — genau dem Profil, für das Large Language Models konzipiert wurden.

Für Organisationen ergibt sich daraus eine bislang kaum adressierte Konsequenz: Wenn Frauen überproportional in exponierten Feldern tätig sind und KI-Exposition mit reduzierten Einstellungsvolumina korreliert, ist die KI-Transformation auch eine Gleichstellungsfrage — die in keinem der gängigen Diversity-Frameworks bislang als eigenständige Variable auftaucht. Organisationen, die das ändern, sichern nicht nur ihre Compliance-Position — sie erhalten das Erfahrungswissen, das KI-gestützte Prozesse erst steuerbar macht.

4. Prozesse vor Rollen: Die fehlende Dimension jeder Expositionsanalyse

Die Observed-Exposure-Methodik analysiert Rollen und deren Aufgaben — und das ist ein methodischer Fortschritt. Aber Aufgaben existieren nicht im Vakuum. Sie sind in Prozesse eingebettet: in definierte Abläufe, Entscheidungsketten und Übergabepunkte, die bestimmen, warum eine Aufgabe überhaupt existiert und welchen Wertschöpfungsbeitrag sie leistet.

Die entscheidende Frage lautet deshalb nicht: Welche Aufgaben kann KI in dieser Rolle übernehmen? Die entscheidende Frage lautet: Wenn KI diesen Prozess neu gestaltet — welche Schritte braucht der Prozess dann noch, und was muss zwingend vom Menschen kommen? Rollen folgen Prozessen — nicht umgekehrt.

Organisationen, die KI lediglich in bestehende Prozesse einbetten, verschenken den größten Teil des Transformationspotenzials. Der strukturelle Gewinn entsteht nicht durch die Automatisierung einzelner Aufgaben innerhalb unveränderter Prozesslogiken, sondern durch die Neukonstruktion von Prozessen entlang der tatsächlichen Stärken von KI-Systemen: Mustererkennung in großen Datenmengen, konsistente Erstverarbeitung, lückenlose Dokumentation, skalierbare Parallelverarbeitung. Was beim Menschen verbleibt — und verbleiben muss — ist das, was KI strukturell nicht leisten kann: kontextsensibles Urteil in Ausnahmesituationen, Verantwortungsübernahme, Verhandlung unter Ambiguität, ethische Abwägung, Beziehungsgestaltung.

Für die organisationale Anwendung des Expositions-Frameworks bedeutet das eine notwendige Erweiterung: Vor der Rollenanalyse steht die Prozessanalyse. Für jeden Kernprozess ist zu klären, welche Schritte durch KI neu gestaltet werden, wo die menschliche Entscheidungs- und Verantwortungsgrenze liegt, und welche Schnittstellenkompetenz — die Fähigkeit, zwischen KI-Output und menschlichem Urteil zu vermitteln — die verbleibenden Rollen erfordern.

5. Demographischer Wandel als stiller Verstärker: Das Tacit-Knowledge-Problem

Der demographische Wandel und die KI-Transformation treffen in den kommenden Jahren auf denselben strukturellen Punkt: Erfahrene Mitarbeitende in exponierten Rollen scheiden altersbedingt aus — und mit ihnen verlässt die Organisation jenes implizite Erfahrungswissen, das nie in Handbüchern, Systemen oder Prozessdokumentationen festgehalten wurde: Prozessausnahmen, historisch gewachsene Entscheidungslogiken, informelles Kontextwissen über Kunden, Lieferanten, interne Zusammenhänge.

Dieses Tacit Knowledge ist nicht reproduzierbar. Es entsteht durch Jahre der Praxis, durch Fehler und deren Korrektur, durch das Verständnis des „Warum" hinter formalen Regelwerken. Und es wird präzise dann gebraucht, wenn KI-gestützte Prozesse an ihre Grenzen stoßen: wenn ein Modell einen Ausnahmefall nicht als solchen erkennt, wenn ein Output plausibel klingt, aber falsch ist, wenn ein Prozessschritt in seiner formalen Logik korrekt, in seinem Ergebnis aber operativ problematisch ist.

Wissenskonservierung ist deshalb keine HR-Maßnahme am Ende einer Beschäftigungsbiographie. Sie ist eine unternehmensstrategische Aufgabe, die parallel zur KI-Transformation beginnen muss — während die Wissensträger noch in der Organisation sind. Für Mitarbeitende in exponierten Rollen mit absehbarem demografischem Ausscheiden ist systematisch zu erfassen, welches Prozesswissen sie tragen, das nirgendwo dokumentiert ist — und es ist in Prozessausnahme-Katalogen, kommentierten Fallsammlungen und strukturierten Wissenstransfer-Interviews zu sichern, bevor es unwiederbringlich verloren geht.

6. Von der Messung zur Handlung: Ein Framework für die Führungsebene

Dateninspirierte Organisationen, die das Observed-Exposure-Konzept auf den eigenen Kontext übertragen wollen, benötigen ein Framework, das auf zwei gleichwertigen Ebenen operiert — Prozesse und Rollen — und beide in einem institutionalisierten Review-Zyklus verknüpft.

Phase 1 (Monate 1–3): Prozess- und Expositions-Mapping. Ausgangspunkt ist nicht das Aufgaben-Interview, sondern eine Ebene darüber: die Bestandsaufnahme der fünf bis zehn strategisch relevantesten Kernprozesse. Für jeden Prozess ist zu klären, welche Schritte heute von Menschen ausgeführt werden, welche theoretisch KI-fähig sind, und welche Schritte zwingend menschliches Urteil erfordern. Parallel dazu führen strukturierte Time-Study-Interviews auf Aufgabenebene zu einer internen Observed-Exposure-Karte mit drei Zonen: Rot (hohe Exposition, hoher Veränderungsdruck), Gelb (mittlere Exposition, aktive Beobachtung), Grün (geringe Exposition, langfristige Begleitung). Für Mitarbeitende in exponierten Rollen mit absehbarem demographischem Ausscheiden beginnt gleichzeitig die systematische Wissenskonservierung.

Phase 2 (Monate 3–9): Prozessgestaltung und Rollenentwicklung. Für rote Rollengruppen werden Kernprozesse grundlegend neu konzipiert — nicht optimiert, neu konstruiert. Rollengruppen werden drei Entwicklungspfaden zugeordnet: Orchestrierung (Wechsel von direkter Ausführung zu steuernder Funktion), Aufgabenverlagerung (Verschiebung zu nicht-exponierten Tätigkeiten), Kompetenzvertiefung (Stärkung von Tacit Knowledge und Kontextexpertise als strukturellem Schutz). Die Gleichstellungsdimension wird als explizites Steuerungskriterium integriert — mit messbaren Zielen und C-Level-Verantwortung.

Phase 3 (ab Monat 9): Institutionalisierter Review-Zyklus. Mit jeder Modellgeneration verschieben sich Expositionsprofile und Prozessmöglichkeiten. Ein halbjährlicher Review mit C-Level-Eigentümerschaft kalibriert Prozess- und Exposure-Karte neu, prüft Entwicklungspfade auf Fortschritt und eskaliert bei definierten Schwellenwerten. Das Ergebnis ist eine jährlich aktualisierte Steuerungskarte, die Verschiebungen sichtbar macht, bevor sie operative Konsequenzen haben.

Strategische Schlussfolgerung

Dateninspirierte Unternehmen gewinnen in der KI-Transformation auf drei Ebenen strukturell Zeit: Sie messen mit den richtigen Indikatoren — Einstellungsdynamik bei Berufseinsteigern statt aggregierter Arbeitslosenquoten. Sie denken in Prozessen, bevor sie über Rollen entscheiden. Und sie behandeln Wissenskonservierung als strategische Voraussetzung für gelingende KI-Adoption.

Der Capability-Deployment-Gap von 61 Prozentpunkten in Computer & Mathematik ist kein Horizont, der Sicherheit bietet. Er ist ein Zeithorizont, der Handlung erlaubt — für jene, die ihn als solchen lesen.

Quellen: Massenkoff & McCrory (2026), Anthropic Economic Index; Eloundou et al. (2023); Brynjolfsson, Chandar & Chen (2025); Gans & Goldfarb (2025); NACE Class of 2025; Stanford AI Index 2025; World Economic Forum (2025/2026).

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Vergessen Sie den schnellen ROI: Die wirklichen KI-Gewinne stehen in keiner Bilanz
• Das Visions-Vakuum: Warum operative Exzellenz Deutschlands KI-Transformation bremst
• Die stille Vollbremsung: Weshalb fehlende Datendurchgängigkeit die Wertschöpfung gefährdet
• Interview zur MIT-Studie The GenAI Divide: Backoffice, GenAI und Data Strategy – warum Unternehmen zögern und wie es besser geht