Arbeit unter KI · Teil 1 von 3

Moravecs Blindfleck

Welche Maschine kommt da eigentlich auf den Arbeitsmarkt zu – und lohnt es sich für sie, uns zu ersetzen?

Die ökonomische Frage: Passiert es überhaupt?

Fangen wir mit dem Wort an, das die Frage vergiftet. In US-Gehaltsabrechnungen von Millionen Beschäftigten, in den Szenarien des deutschen Instituts für Arbeitsmarkt- und Berufsforschung, in dänischen Registerdaten über elf besonders exponierte Berufe: nirgends ein aggregierter Beschäftigungseinbruch seit ChatGPT, eher Verschiebung, hier und da ein leises Warnsignal. Wer 2026 mit dem Bild der Apokalypse an die Berufswahl geht, optimiert gegen das falsche Risiko.

Trotzdem ist die Sorge nicht albern, und ich will sie nicht wegreden. Sie zielt nur auf die falsche Einheit. Es verschwinden selten ganze Berufe; es verschieben sich Tätigkeiten innerhalb der Berufe (so der task-basierte Befund von Eloundou et al. 2024 und die IAB-Substituierbarkeitsanalysen). Die brauchbare Frage lautet deshalb nicht „welcher Job überlebt“, sondern: Welche Tätigkeiten fallen zuerst an die Maschinen – und auf welcher Seite dieser Linie will ich stehen? Sobald man die Robotik mitdenkt, läuft diese Linie an einer überraschenden Stelle. Sie kehrt die meisten Ratschläge, die man jungen Leuten gibt, um.

Zwei Maschinen, nicht eine

Über „die KI“ zu reden, verwischt den entscheidenden Unterschied. Es kommen zwei sehr verschiedene Maschinen auf den Arbeitsmarkt zu, und sie sind in entgegengesetzten Dingen stark.

Die erste ist die kognitive: Sprachmodelle. Sie sind dort gut, wo Arbeit sich in Sprache, Symbole und Muster fassen lässt und wo es viel Trainingsmaterial gibt – Texte entwerfen, Code schreiben, zusammenfassen, klassifizieren, Standardanalysen. Das trifft, anders als die Intuition sagt, zuerst die Schreibtischberufe mit hohem Routineanteil. Das IAB stellt fest, dass das Substituierbarkeitspotenzial gerade bei Expertentätigkeiten zuletzt stark gestiegen ist – Analysen, Berichte, Entwürfe. Der weiße Kragen schützt nicht mehr.

Die zweite Maschine ist die körperliche: der Roboter. Und hier beginnt das eigentlich Interessante. 2026 ist die Hardware der humanoiden Roboter beeindruckend – Figure, Teslas Optimus, Agilitys Digit, Unitrees Einstiegsmodell R1 für unter 5.000 Dollar (die größere G1 ab rund 16.000). Aber die Software-Autonomie hinkt der Hardware um Jahre hinterher, und viele der viralen Demonstrationsvideos sind teleoperiert oder einstudiert; Robotik-Forscher wie Ken Goldberg weisen seit Längem genau darauf hin. Gelöst ist das Laufen. Ungelöst ist das Greifen: die zuverlässige, feinmotorische Manipulation unbekannter Objekte in unaufgeräumten, wechselnden Umgebungen. Selbst Musk hat eingeräumt, dass die Hand-Zuverlässigkeit beim Optimus offen ist. Wo Roboter heute arbeiten, arbeiten sie in strukturierten Räumen – Fabrik, Lager – an wiederkehrenden Aufgaben. Agility hat bei einem Logistiker über 100.000 Transportbehälter bewegt. Das ist real. Aber es ist Sortieren in einer aufgeräumten Halle, nicht das Verlegen einer Leitung im Altbau.

Das Paradox, das alles dreht

Dahinter steht ein Befund, der seit den Achtzigern bekannt ist und 2026 seine Rache nimmt: das Moravec-Paradox. Hans Moravec und Marvin Minsky bemerkten, dass für Maschinen die für uns schweren Dinge leicht sind – Logik, Algebra, formales Schließen – und die für uns leichten Dinge schwer: wahrnehmen, sich bewegen, mit den Händen hantieren, Alltagsintuition. Die Erklärung ist evolutionär. Abstraktes Denken ist jung, dünn optimiert, leicht zu kopieren. Wahrnehmung und Feinmotorik sind uralt, über Jahrmillionen eingeschliffen, und stecken in einem Aufwand, den man kaum nachbaut. Ein aktuelles Modell beziffert diesen „Moravec-Abstand“: geschickte Manipulation verlangt Größenordnungen mehr Rechenleistung als sprachliches Schließen – mit der unbequemen Folgerung, dass körperliche Engpass-Tätigkeiten selbst unter sehr leistungsfähiger KI lange in menschlicher Hand bleiben könnten (Preprint, 2025; mit Vorsicht zu lesen).

Daneben legt sich ein zweiter alter Begriff: Polanyis Paradox, von David Autor in die Arbeitsökonomie geholt. Wir wissen mehr, als wir sagen können. Eine Krankenschwester, die spürt, dass mit einem Patienten „etwas nicht stimmt“, bevor die Werte es zeigen; ein Elektriker, der am Geräusch hört, wo der Fehler sitzt – dieses stille Wissen lernt man am Objekt, nicht aus dem Handbuch, und genau deshalb lässt es sich schwer in Daten gießen.

Können ist die halbe Frage – lohnt es sich?

Was eine Maschine kann, sagt noch nicht, ob sie es tut. Das entscheidet der Preis. Ersetzt wird ein Mensch nur dort, wo der KI-Workflow – samt des Menschen, der ihn prüfen muss – weniger kostet als der Mensch allein. Und hier stößt eine zweite Geschichte auf die Apokalypse, eine, die den Panischen wie den Sorglosen unbequem sein sollte.

Der herrschende Trend zeigt nach unten. Die fähigkeitsbereinigten Tokenkosten fallen seit Jahren um rund das Zehnfache jährlich; KI auf GPT-4-Niveau kostete Ende 2022 etwa 20 Dollar pro Million Tokens, Ende 2025 noch 40 Cent, und offene Modelle wie DeepSeek oder Qwen drücken den Boden weiter. Gegen diesen Trend zu wetten – „die Tokens werden bald teuer“ – heißt, gegen die bislang stabilste Regelmäßigkeit des Feldes zu setzen – ob sie hält, ist offen.

Und doch sind zwei Dinge handfest subventioniert. Erstens der unbegrenzte Pauschalzugang: Die große Mehrheit der Chatbot-Nutzer zahlt nichts, und bei jeder komplexen Anfrage verliert der Anbieter Geld. Zweitens das Tretrad der Spitze: Die Milliardenverluste der Labore stammen überwiegend aus dem Training der nächsten Modellgeneration, nicht aus dem Servieren des heutigen Tokens – die Inferenz wirft für sich genommen Marge ab, wenn auch eine schrumpfende: geleakten Investorendokumenten zufolge fiel OpenAIs bereinigte Bruttomarge 2025 von 40 auf 33 Prozent, weil Agenten-Workloads, die ein Vielfaches an Tokens pro Aufgabe verbrennen, die Inferenzkosten binnen eines Jahres vervierfachten.

Doch selbst die volle Rechnung aus Können und Kosten lässt die Frage offen, an der die meisten Prognosen scheitern: Wenn die Leistung billiger wird – wollen die Menschen dann mehr davon? Geoffrey Hinton erklärte 2016, man solle aufhören, Radiologen auszubilden; binnen fünf Jahren werde Deep Learning sie übertreffen. Beim Können behielt er halb recht: Die US-Zulassungsbehörde hat inzwischen über tausend KI-Radiologie-Werkzeuge zugelassen, manche lesen Aufnahmen genauer als Fachärzte. Beim Arbeitsmarkt lag er spektakulär daneben: Radiologie war 2025 die zweitbestbezahlte Facharztrichtung der USA, mit 520.000 Dollar Durchschnittseinkommen – knapp die Hälfte mehr als zehn Jahre zuvor –, und die Vakanzen liegen auf Rekordniveau. Die Zahl der praktizierenden Radiologen wuchs unterdessen nur schwach: zwölf Prozent zwischen 2010 und 2022, pro hunderttausend Einwohner von 11,1 auf 11,5.

Der Mechanismus dahinter ist alt. Fords Fließband hätte die Autowerker dezimieren müssen – stattdessen verdoppelte sich ihre Zahl über 35 Jahre, weil billigere Autos mehr Käufer fanden; nach Einführung des Geldautomaten wuchs die Zahl der Schalterkräfte jahrzehntelang weiter, weil billigere Filialen mehr Filialen bedeuteten (Bessens klassisches Beispiel). Billigere Scans führten zu mehr angeordneten Scans – und zu mehr Radiologen. Die Gegenprobe gehört dazu: Wo die Nachfrage gesättigt ist, kippt der Effekt. Die Mechanisierung der Landwirtschaft machte Essen billig, aber niemand isst deshalb das Zehnfache – der Beschäftigtenanteil fiel von rund 40 auf ein Prozent. Automatisierung plus dehnbare Nachfrage kann einen Beruf vergrößern; Automatisierung plus gesättigte Nachfrage schrumpft ihn.

Wenn der Kunde es selbst tut

Aber der Jevons-Effekt hat eine Bedingung – und sie stammt ausgerechnet von Carl Benedikt Frey, dem Ökonomen, dessen „47 Prozent der Jobs“-Studie von 2013 die Automatisierungsangst erst befeuerte. Der Effekt greift nur, solange die Technik das bestehende Dienstmodell verbilligt. Befähigt sie den Kunden, die Arbeit selbst zu tun, bricht die Nachfrage nach dem Dienst zusammen. Die Waschmaschine automatisierte nicht die Wäscherin – sie machte sie entbehrlich; der Soziologe Jonathan Gershuny nannte das 1978 die „Selbstbedienungswirtschaft“. Der Bankschalter wuchs mit dem Geldautomaten und starb dann doch – getötet nicht vom besseren Automaten in der Filiale, sondern vom Kunden mit der Banking-App. Self-Checkout, Online-Buchung, das Depot in der Hosentasche: stets dasselbe Muster.

KI treibt diese Selbstbedienung bis in die manuellen Berufe, das vermeintlich sichere Refugium. Fragt der Hausbesitzer den Chatbot, warum der Kessel Druck verliert, entfällt mancher Anruf beim Monteur; Patienten entziffern ihre Laborwerte vor dem Termin. Wer eine Frage an sich selbst hat, stellt sie zunehmend dem Modell statt einem Berater; mein eigenes Fach steht auf dieser Liste. Frey verweist auf Christian Catalini vom MIT: Drückt KI die Ausführungskosten gegen null, wird der Engpass die menschliche Verifikation – Ergebnisse prüfen und dafür haften. Selbstbedienung wälzt genau diese Last auf den Kunden ab. Das hat eine tückische Folge für die Statistik: Arbeit, die zum Konsumenten wandert, verschwindet aus dem, was gemessen wird. Die Stunden, die ich mit dem Deuten meiner eigenen Befunde verbringe, stehen in keiner Arbeitsmarktstatistik und in keinem BIP. Mein „kein aggregierter Einbruch“ von oben hat also einen blinden Fleck – die Verschiebung kann längst laufen, nur unsichtbar.

Also: Passiert es?

Für die Berufsfrage bleibt ein Ergebnis, das gegen den Ausgang der Preisfrage robust ist. Teure Tokens heben die Substitutionsschwelle, billige senken sie – aber der Token ist nur eine Zeile der Rechnung. Integration, Prüfung, Haftung, das Urteil dessen, der unterschreibt, fallen nicht mit dem Tokenpreis. Billige Tokens löschen den Experten nicht; sie machen ihn vom Produzenten zum Prüfer und Bürgen. Und billige Kopfarbeit hebt den relativen Wert der Arbeit, die kein Token berührt: die Hände, das Krankenbett, die unaufgeräumte Baustelle.

Passiert es also? Ja – aber als Verschiebung, nicht als Untergang. Arbeit wandert: in die Maschine, und, wie Frey zeigt, zum Kunden. Und der Kunde ist erst der Anfang. Dieselbe Bewegung, die Arbeit aus dem Betrieb zum Konsumenten trägt, trägt sie weiter – zur unbezahlten Crowd, die das Material liefert, aus dem die Maschine überhaupt erst gebaut ist. Das ist die dritte Verschiebung, und ihr gilt Teil 2.

Teil 2 der Reihe: Die dritte Verschiebung – wie Arbeit verschwindet, ohne dass eine Maschine sie übernimmt.

Klärungsraum.de · Serie „Arbeit unter KI“ · Teil 1 von 3 – weiter mit Teil 2: Die dritte Verschiebung