KI UND JOBS: WARUM DIE GESCHICHTE SICH REIMEN KÖNNTE

Unser KI-Leiter bei BAK Economics, Andreas Streich, kennt die zahlreichen Studien und kann ihre unterschiedlichen Annahmen und Ergebnisse fundiert einordnen. Ich erlaube mir hier einen etwas anderen Blickwinkel: den eines Ökonomen. Und Ökonomen schauen ja bekanntlich vor allem gerne zurück.

Mich erinnert die aktuelle KI-Debatte in mancher Hinsicht an die Anfänge des Internets. Auch damals wurden ganze Branchen und Geschäftsmodelle infrage gestellt. Und tatsächlich gab es grosse Gewinner und Verlierer, sowohl bei Unternehmen als auch auf dem Arbeitsmarkt.

Bemerkenswert ist aber aus meiner Sicht etwas anderes: Viele Berufe haben sich grundlegend verändert, neue sind entstanden. Aber die meisten Menschen, die ich kenne, üben heute noch weitgehend denselben Beruf aus wie vor dem Internet. Und bei beiden Gruppen wäre es heute nicht vorstellbar, ohne Internet zu arbeiten.

Könnte das Internet also eine Art Drehbuch für die KI-Revolution liefern? Nicht im Sinne einer Wiederholung, sondern als Hinweis darauf, dass die Auswirkungen einer Technologie weit über das blosse Verschwinden von Arbeitsplätzen hinausgehen. Die Geschichte wiederholt sich zwar nicht, aber bekanntlich reimt sie sich.

Genau deshalb finde ich einen Ansatz besonders interessant, den der Ökonom Luis Garicano von der London School of Economics gemeinsam mit Jin Li und Yanhui Wu in ihrem Buch Messy Jobs entwickelt hat. Er stellt die übliche Frage nach dem Automatisierungspotenzial einzelner Aufgaben auf den Kopf.

Entscheidend ist nicht nur, was KI künftig erledigen kann. Sondern auch, warum wir bestimmte Aufgaben überhaupt zu einem Beruf zusammenfassen – und was passiert, wenn dieses Bündel auseinanderfällt.

Warum Radiologen immer noch Arbeit haben

2016 sagte der KI-Pionier Geoffrey Hinton voraus, man könne eigentlich aufhören, Radiologen auszubilden. Computer würden medizinische Bilder bald besser beurteilen als Menschen.

Zehn Jahre später sieht die Realität anders aus. Radiologen gehören weiterhin zu den gut bezahlten medizinischen Spezialisten, und die Nachfrage nach ihnen ist hoch.

Hat sich Hinton einfach geirrt? Zumindest hat er eine wichtige Unterscheidung übersehen: Radiologen beurteilen nicht nur Bilder. Sie sprechen mit Patienten, beraten andere Ärzte, wägen Risiken ab und treffen Entscheidungen in schwierigen Fällen.

Die Bildanalyse ist eine Aufgabe. Der Beruf ist ein ganzes Bündel von Aufgaben.

Garicano nennt solche Berufe «Messy Jobs». Gemeint sind Tätigkeiten, bei denen viele unterschiedliche Aufgaben ineinandergreifen, sich nicht sauber trennen lassen und häufig menschliche Beziehungen eine Rolle spielen.

Entscheidend ist dabei eine Art Autonomieschwelle. Solange die KI einzelne Aufgaben nur unterstützt, macht sie den Menschen produktiver. Erst wenn sie eine Tätigkeit vollständig und eigenständig übernehmen kann, wird sie zum Ersatz.

Der Unterschied ist ungefähr jener zwischen einem Tempomaten und einem selbstfahrenden Auto.

Wenn das Bündel auseinanderfällt

Ökonomisch wird es nun interessant.

Warum werden unterschiedliche Aufgaben überhaupt in einem Beruf zusammengefasst? Warum lassen wir nicht jede einzelne Tätigkeit von der Person oder Maschine erledigen, die sie am günstigsten ausführen kann?

Die Antwort hat viel mit Koordinationskosten zu tun. Schon Ronald Coase hat 1937 erklärt, warum Unternehmen existieren: Weil es oft effizienter ist, Tätigkeiten innerhalb einer Organisation zu koordinieren, als jede einzelne Leistung über den Markt einzukaufen.

Ähnliches gilt für Berufe. Aufgaben werden gebündelt, weil Wissen von einer Tätigkeit in die nächste fliesst, weil Entscheidungen aufeinander abgestimmt werden müssen oder weil sich das Ergebnis nur als Ganzes beurteilen lässt.

Solange diese Verbindungen stark sind, bleibt der Beruf bestehen. Auch wenn die KI einzelne Aufgaben längst besser erledigt.

Doch was passiert, wenn KI nicht nur Aufgaben automatisiert, sondern auch deren Koordination erleichtert?

Dann können bisher zusammengehörende Tätigkeiten plötzlich getrennt werden. Ein Teil wird automatisiert, ein anderer ausgelagert. Was übrig bleibt, erfordert möglicherweise deutlich weniger Fachwissen und kann von viel mehr Menschen erledigt werden.

Damit steigt das Arbeitsangebot für die verbleibenden Tätigkeiten. Und die Löhne geraten unter Druck.

Ein Beruf muss also nicht verschwinden, um wirtschaftlich an Wert zu verlieren. Es reicht, wenn sein wertvollster Teil herausgelöst wird.

Das halte ich für eine der wichtigsten Erkenntnisse der ganzen KI-Debatte.

Nicht alle Jobs sind gleich unordentlich

Garicano unterscheidet drei Bereiche der Arbeitswelt.

Am einen Ende stehen relativ einfache, klar definierte und überprüfbare Tätigkeiten. Hier kann KI rasch die gesamte Arbeit übernehmen. Der Preis solcher Leistungen dürfte entsprechend stark sinken.

Am anderen Ende stehen Tätigkeiten, bei denen Vertrauen, Verantwortung, Initiative und menschliche Beziehungen entscheidend sind. Wer führt ein Unternehmen? Wer trägt die Verantwortung für einen Entscheid? Wem vertrauen wir sensible Informationen an? Solche Fragen lassen sich nicht allein mit mehr Rechenleistung beantworten.

Dazwischen liegt die grosse Mehrheit der Berufe: die unordentliche Mitte.

Hier werden kognitive Aufgaben mit sozialen, organisatorischen und teilweise körperlichen Tätigkeiten kombiniert. KI kann einzelne Teile übernehmen, ohne dass der ganze Beruf verschwindet.

Interessant sind die möglichen Folgen für die Lohnverteilung.

Einerseits könnten gut bezahlte Routinetätigkeiten unter Druck geraten. Andererseits macht KI spezialisiertes Wissen für Menschen zugänglich, die bisher nicht über die entsprechende Ausbildung oder Erfahrung verfügten.

Garicano spricht sinngemäss von Expertise aus der Box.

Ein weniger erfahrener Mitarbeiter kann mit KI-Unterstützung Aufgaben übernehmen, für die früher deutlich mehr Fachwissen nötig war. Entscheidend ist allerdings, dass er die Ergebnisse beurteilen und die Verantwortung für seine Entscheidungen übernehmen kann.

Das könnte die Produktivität erhöhen und gleichzeitig Lohnunterschiede verringern. KI muss die Mittelschicht also nicht zwangsläufig schwächen. Sie könnte Teile davon sogar stärken.

Welche Entwicklung überwiegt, ist allerdings offen.

Der eigentliche Engpass liegt in den Unternehmen

Damit sind wir bei einem Punkt, der mir in der öffentlichen Debatte oft zu kurz kommt.

Technischer Fortschritt ist nicht dasselbe wie Produktivitätsfortschritt.

Eine neue Technologie kann noch so leistungsfähig sein. Solange Unternehmen ihre Prozesse, Zuständigkeiten und Geschäftsmodelle nicht anpassen, bleibt ein erheblicher Teil ihres Potenzials ungenutzt.

Bei KI dürfte das besonders ausgeprägt sein. Es reicht nicht, allen Mitarbeitenden einen KI-Assistenten zur Verfügung zu stellen. Unternehmen müssen entscheiden, welche Aufgaben sie automatisieren, welche sie neu kombinieren und wo menschliche Verantwortung unverzichtbar bleibt.

Das ist nicht nur eine technische, sondern vor allem eine organisatorische Herausforderung.

Das erleben wir auch bei BAK Economics. Inzwischen beschäftigen wir mehr Data Engineers und Programmierer als Ökonomen. Unsere eigene Technologie-Abteilung entwickelt und implementiert KI-Agenten, die wir zunehmend in unseren Arbeitsprozessen einsetzen. Dabei geht es nicht einfach darum, bestehende Aufgaben schneller zu erledigen. Wir müssen auch neu überlegen, wie wir unsere Arbeit organisieren und welche Aufgaben künftig noch von wem übernommen werden. Wir untersuchen den Strukturwandel also nicht nur, wir gestalten ihn selbst mit.

Was bei uns bereits funktioniert, ist allerdings nicht überall selbstverständlich. Organisationen sind bekanntlich unterschiedlich schnell darin, sich selbst zu verändern.

Darin liegt auch eine wichtige makroökonomische Konsequenz: Wie stark KI das Produktivitätswachstum erhöht, hängt nicht nur von der Leistungsfähigkeit der Technologie ab, sondern ebenso davon, wie gut eine Volkswirtschaft ihre Organisationen anpassen kann. Die gleiche KI kann deshalb in zwei Ländern ganz unterschiedliche wirtschaftliche Wirkungen entfalten.

Und die Schweiz?

Für die Schweiz sehe ich darin Chancen, aber auch Risiken.

Unsere Wirtschaft ist stark von spezialisierten Tätigkeiten geprägt. In der Industrie, der Medizintechnik, im Gesundheitswesen oder bei unternehmensnahen Dienstleistungen ist Fachwissen häufig eng mit Erfahrung, Kundenbeziehungen und Verantwortung verbunden.

Das spricht dafür, dass viele Schweizer Arbeitsplätze eher ergänzt als vollständig ersetzt werden.

Allerdings ist das kein dauerhafter Schutz. Wenn KI die Koordination vereinfacht, können auch heute eng verbundene Tätigkeiten auseinanderfallen. Und wenn spezialisiertes Wissen günstiger verfügbar wird, verändert sich dessen Marktwert.

Gleichzeitig dürfte gerade für ein Hochlohnland wie die Schweiz entscheidend sein, die Produktivitätschancen zu nutzen. Denn hohe Löhne müssen langfristig durch eine entsprechend hohe Wertschöpfung gedeckt sein.

Nur: Die Schweiz ist stark in der Entwicklung und Anwendung anspruchsvoller Technologien. Aber bei der Anpassung von Organisationen, Prozessen und regulatorischen Rahmenbedingungen sind wir nicht immer die Schnellsten.

Die entscheidende Frage ist deshalb weniger, wie viele Arbeitsplätze KI vernichtet. Sondern wie schnell es uns gelingt, mit KI produktiver zu werden.

Fazit: Es kommt auf das Bündel an

Niemand weiss, wie viele Jobs KI tatsächlich ersetzen wird. Auch Garicanos Ansatz liefert keine präzise Prognose. Aber er hilft, die ökonomischen Mechanismen besser zu verstehen.

Dabei geht es um mehr als die Unterscheidung zwischen Gewinnern und Verlierern.

Ein Beruf kann bestehen bleiben und trotzdem schlechter bezahlt werden. Ein anderer kann durch KI deutlich produktiver und damit wertvoller werden. Und manche Tätigkeiten werden erst durch die neue Technologie überhaupt wirtschaftlich möglich.

Für mich ist deshalb nicht entscheidend, ob KI einen Teil meiner Arbeit besser erledigen kann. Das tut sie heute schon. Spannender ist, welche Aufgaben künftig noch zusammengehören, wer sie koordiniert und wer die Verantwortung trägt.

Die Zukunft der Arbeit entscheidet sich nicht nur daran, was KI kann. Sondern auch daran, wie wir die verbleibende Arbeit organisieren.