Ersetzt KI Mitarbeitende oder erweitert sie ihre Arbeit?

Die Diskussion um die KI-Einführung im Mittelstand dreht sich fast nur um ein paar Fragen. Ob man einsteigt. Wann. Und, für den, der die Rechnung unterschreibt, meistens die wichtigste: wie sich das rechnet.

Eine Frage fehlt, und sie entscheidet darüber, ob eine KI-Investition dem Betrieb nützt oder schadet. Zielen unsere Investitionen darauf, Menschen zu ersetzen, oder darauf, ihre Arbeit zu erweitern?

Frag Geschäftsführerinnen und Geschäftsführer direkt, und die Antwort lautet: erweitern. Kaum jemand nimmt sich vor, das eigene Team auszuhöhlen. Das Problem ist, dass eine Richtung, die niemand gewählt hat, nicht neutral bleibt. Die Lücke füllt sich von selbst. Und zwar in Richtung Ersetzen.

Von der anderen Seite des Schreibtischs sieht man dasselbe. Die Angst vieler Mitarbeitenden, bei der Copilot-Einführung ersetzt zu werden, ist gut begründet. Sie ist die naheliegende Reaktion auf eine fehlende Richtung. Wenn niemand sagt, wohin es geht, nimmt das Team an, es gehe dorthin, wohin die Strömung trägt.

‍

Ersetzt KI Arbeitsplätze? Warum die Rechnung nur auf den ersten Blick so aussieht

Mit dieser Frage hat die ganze Diskussion für uns angefangen. Nachzulesen ist sie in einem Arbeitspapier von Brett Hemenway Falk und Gerry Tsoukalas, „The AI Layoff Trap“ [2]. Wer das Modell im Detail will, sollte es lesen. Was hängen bleibt, ist kurz: Ein Betrieb, der eine Aufgabe automatisiert und die Menschen dahinter gehen lässt, verbucht die volle Ersparnis selbst, in diesem Quartal, in der eigenen Bilanz. Die wegfallende Kaufkraft trägt der Markt [2]. Wegfallende Kaufkraft, verlorenes Erfahrungswissen, dünne Reserven bei der nächsten Auftragsspitze. All das zeigt sich erst später und oft an anderer Stelle. Deshalb sieht die erste Rechnung immer gut aus, und die zweite kommt zu spät, um die erste noch zu ändern.

Das ist die unromantische Hälfte von etwas, das wir alle kennen. Es fühlt sich nach dem perfekten Traum an. Ich hätte gern einen Roboter, der meine Arbeit macht, damit ich die Füße hochlegen kann. Diesen Traum träumen Menschen seit vor dem Computer, und das zu Recht: Ein Team von Agenten, das rund um die Uhr zu null Kosten arbeitet, wäre sofort da und sofort messbar.

In seinem Essay „The Turing Trap“ nennt der Stanford-Ökonom Erik Brynjolfsson das die tief hängende Frucht [1]. Ein System bauen, das eine Person nachahmt, die Person ersetzen, die Ersparnis verbuchen. Einfach, und sofort in der Bilanz sichtbar.

Der zweite Weg ist der, der uns überhaupt erst hierher gebracht hat. KI existiert, weil Menschen sich Arbeit erleichtern wollten. Unangenehm wird die Frage, was man macht, wenn nichts Offensichtliches mehr zu automatisieren ist. Das braucht mehr Vorstellungskraft, also wird es seltener gemacht.

Greifbar wird das an Brynjolfssons Beispiel [1]. Er verweist auf eine Studie, in der KI-Systeme beim Auswerten von Mammographien besser abschnitten als Radiologinnen und Radiologen. Laut O*NET gehören zu diesem Beruf 26 weitere Aufgaben, vom Patientengespräch bis zur Abstimmung mit anderen Fachabteilungen, und keine davon lässt sich in ein einzelnes Klassifikationsproblem pressen. Über 950 Berufe hinweg fand er keinen einzigen, der sich vollständig automatisieren ließe. Erweitern lässt sich in fast jedem etwas.

Wie unterschiedlich dieselbe Software wirkt, zeigen die acht KI-Anwendungsfälle, die im Mittelstand tatsächlich laufen. Dieselbe Dokumentenverarbeitung, die in einem Betrieb zwei Stellen einspart, gibt in einem anderen der bestehenden Sachbearbeitung Zeit für genau die schwierigen Fälle, die vorher liegen blieben. Die Software ist dieselbe. Der Unterschied liegt in der Entscheidung, was man mit dem gewonnenen Spielraum macht.

‍

Oracle, Salesforce, Klarna: was drei KI-Entscheidungen wirklich zeigen

Am besten lässt sich das bei großen Tech-Konzernen beobachten. Der Grund ist banal: börsennotierte Unternehmen müssen ihre Personalzahlen veröffentlichen. Im Mittelstand läuft derselbe Mechanismus, nur kann es dort niemand nachlesen.

Oracle hat den internen KI-Einsatz mit Personalreduktionen in Verbindung gebracht, während die Beschäftigtenzahl um rund 13 Prozent fiel, von etwa 162.000 auf 141.000. Im selben Bericht führt Oracle den Verlust von institutionellem Wissen als Risiko solcher Umbauten auf [3].

Salesforce hat den Kundenservice um rund 44 Prozent verkleinert, von etwa 9.000 auf 5.000 Stellen. CEO Marc Benioff begründete den Bedarf an „less heads“ mit KI-gestützter Effizienz. Später betonte das Unternehmen, es habe sich überwiegend um nicht nachbesetzte Abgänge und interne Umbesetzungen gehandelt [4].

Klarna teilte mit, sein KI-Assistent leiste die Arbeit von 700 Vollzeitkräften im Kundenservice [5]. Ein Jahr später stellte Klarna wieder Menschen ein, wobei die Umkehr unvollständig blieb: Klarna arbeitete mit flexiblen Kräften und erklärte weiterhin, im Kern KI-first zu sein [6]. CEO Sebastian Siemiatkowski sagte dazu einen Satz, den ich seitdem nicht mehr aus dem Kopf bekomme:

Der Satz sagt etwas darüber, in welche Richtung die Investition gezeigt hat, und wie das Ergebnis dann aussieht.

Gartner hat ausgewertet, dass im ersten Halbjahr 2025 weniger als ein Prozent der angekündigten Stellenstreichungen auf Produktivitätsgewinne durch KI zurückgeht. Rund 79 Prozent der als KI-getrieben dargestellten Maßnahmen haben andere Ursachen [7]. Gartners Erklärung für die Lücke ist der Kapitalmarkt, der es honoriert, eine gewöhnliche Kostenentscheidung mit KI zu etikettieren.

Oracle und Salesforce können gut in diesen 79 Prozent stecken, Kostensenkung im KI-kostüm. Klarna ist der Fall, der das Argument belegt, weil Klarna in eine Richtung gegangen ist, umgedreht hat und gesagt hat, warum. Als Beleg ist ein Unternehmen, das öffentlich umdreht, brauchbarer als zwei, die nur schrumpfen.

Und hier ist der Teil, den die Schlagzeilen verlieren. In einer Gartner-Befragung von 321 Service- und Support-Verantwortlichen weltweit gaben 85 Prozent an, den Rollen ihrer Mitarbeitenden neue Aufgaben hinzuzufügen, und 75 Prozent versetzen Mitarbeitende in ganz neue Rollen innerhalb der Serviceorganisation [8]. Ehrlich dazu gehört: 63 Prozent bauen die Frontline trotzdem ab, nur langsam und über natürliche Abgänge statt über Kündigungen, und verlagern die frei werdende Kapazität auf anspruchsvollere Arbeit [8]. Das ist kein reines Erweitern. Es ist auch kein Kahlschlag. Bei der Prozentzahl gehört ohnehin eine Prise Salz dazu, denn „entwickelt ihr eure Leute oder trennt ihr euch von ihnen“ ist keine Frage, die viele Führungskräfte schlecht beantworten.

‍

Fachkräftemangel und KI-Einführung: warum Erweitern im Mittelstand besser rechnet

Die Ersetzen-Logik unterstellt, Arbeit sei vor allem ein Kostenblock, den man klein hält. Im Mittelstand ist es vielerorts das Gegenteil: eine Beschränkung, die man nicht nachkaufen kann. Ersetzt jemanden mit Erfahrung in der Sachbearbeitung durch eine Automatisierung, und wenn die Auftragslage danach anzieht, findest du auf dem Markt keinen Ersatz. Du findest eine Lücke, die Monate offen bleibt.

Genau dort hören diese verteilten Folgekosten auf, verteilt zu sein. In einem Markt, in dem du die Fähigkeit nicht zurückkaufen kannst, landet ein großer Teil davon beim Betrieb, der die Entscheidung getroffen hat. Nur taucht er nirgends als Zeile in der Bilanz auf. Er taucht auf als unbesetzte Stelle, als abgekühlte Kundenbeziehung, als Auftrag, den du absagen musstest.

Unter diesen Bedingungen ist der Herdenreflex zum Ersetzen einfach schlecht gerechnet. Wo Fachkräfte knapp sind, ist die naheliegende Wette, die vorhandenen Fachkräfte in die Lage zu versetzen, mehr zu leisten, als sie allein könnten.

Und das hat einen Preis. Jede Entscheidung ist ein Kompromiss, und Erweitern macht da keine Ausnahme. Erweitern ist langsamer. Die Gewinne zeigen sich in einem anderen Quartal als die Rechnung. Dazu kommen Schulungszeit und Führungsaufmerksamkeit, die in keinem Business Case auftauchen. Und vor allem: Eine Ersetzen-Entscheidung passt auf eine Folie, eine Erweitern-Entscheidung nicht. Diese Asymmetrie erklärt die Standardeinstellung besser als jede Annahme über schlechtes Management. Deshalb plant ein gutes KI-Projekt auch mehr als das Werkzeug, und genau darum geht es in unserem Artikel zum KI-Change-Management.

Kathy Ross von Gartner formuliert die Konsequenz scharf:

‍

Praxisbeispiel DOMCURA: Schadenbearbeitung in zehn Minuten

Alles oben sind börsennotierte Konzerne. Wir haben aber einen Fall, der näher an deiner Lage liegt.

DOMCURA hat KIM selbst entwickelt, mit Unterstützung von Microsoft und uns. Die Plattform für die Schadenbearbeitung auf Microsoft Foundry ermöglicht inzwischen die Auszahlung zulässiger Schadensmeldungen in etwa zehn Minuten, während die Betriebskosten in diesem Prozess rund 50 Prozent niedriger liegen [9].

Ja, 50 Prozent sind eine Kostenzahl, in einem Artikel über die Grenzen des Kostendenkens. Der Unterschied liegt darin, dass die Kapazität dort gelandet ist, wo sie gebraucht wird: bei den komplexen Fällen, für die vorher die Zeit fehlte [9]. Der Hebel lag beim Durchsatz.

Nachlesen kann man das bei Microsoft, das den Fall in einer eigenen Customer Story beschreibt [9].

‍

Kann KI Mitarbeitende ersetzen?

KI kann einzelne Aufgaben von Mitarbeitenden übernehmen, manche vollständig. Einen ganzen Beruf kann sie nicht ersetzen, weil zu jedem Beruf Aufgaben gehören, die sich nicht in ein einzelnes Problem pressen lassen. In dieser Lücke gehen viele KI-Business-Cases still schief. Im Mittelstand tragen die erfahrenen Leute Kundenwissen, Prozessurteil, interne Netzwerke und die Fähigkeit, den Ausnahmefall zu bearbeiten, für den niemand eine Regel geschrieben hat. Nichts davon baut sich schnell wieder auf, wenn es das Haus verlassen hat. Die Frage, die wir unseren Kundinnen und Kunden am Anfang stellen, lautet: Welche Aufgaben kann KI übernehmen, damit ihre Mitarbeitenden mehr Zeit für die Arbeit haben, die wirklich einen Menschen braucht?

‍

Fazit

Am Ende bleibt eine Regel. Richte die Investition auf die Leute aus, die die Arbeit machen. Wer sie auf die Lohnsumme richtet, erlebt Klarnas Geschichte irgendwann selbst, nur ohne Pressemitteilung.

Der Grund dahinter ist einfacher, als die Debatte klingt. Wenn KI einer erfahrenen Mitarbeiterin zwei Stunden am Tag abnimmt, werden zwei Stunden Erfahrung frei, die vorher in Routine gebunden waren. Die kann in Arbeit gehen, für die bisher nie Zeit war: in Kunden, in Fälle, die vorher an der Kapazität gescheitert sind, in Dinge, die im Betrieb seit Jahren liegen bleiben. Wer dieselbe Stunde stattdessen aus der Lohnsumme streicht, streicht die Erfahrung mit weg.

Diese Richtung entscheidet sich am Anfang eines Projekts.

Mit unserem KI-Reifegrad-Check siehst du in wenigen Minuten, wo dein Betrieb gerade steht. Und wenn daraus konkrete Fragen werden, nehmen wir uns dafür gern Zeit.

‍