Wenn KI die Einstiegsaufgaben übernimmt, wo lernen Berufseinsteiger dann ihren Job?

KI ist bislang kein allgemeiner Jobkiller. Zumindest zeigen die aktuellen Daten für Deutschland keinen flächendeckenden Beschäftigungseinbruch in Berufen, die besonders stark durch KI veränderbar sind. Im Gegenteil: Zwischen 2022 und 2025 entwickelte sich die Beschäftigung in stärker KI-exponierten Berufen insgesamt sogar günstiger als in weniger exponierten Berufen.  

Und trotzdem lohnt sich ein genauerer Blick auf den Berufseinstieg.

Denn vielleicht verändert KI nicht zuerst die Zahl der Jobs, sondern die Aufgaben, über die Menschen bislang gelernt haben, ihren Job überhaupt zu machen.

Aber was passiert, wenn wir die einfachen Aufgaben automatisieren und damit gleichzeitig einen Teil der Lernstrecke abschaffen?

Was die aktuellen Daten zeigen und was nicht

Das Institut für Arbeitsmarkt- und Berufsforschung hat am 13. Oktober 2026 neue Beschäftigungsdaten ausgewertet. Grundlage sind monatliche administrative Daten von rund 22,3 Millionen sozialversicherungspflichtig Vollzeitbeschäftigten in Deutschland.  

Für die Gesamtbeschäftigung fällt das Bild zunächst wenig dramatisch aus. Zwischen 2022 und 2025 lag die Beschäftigung in den stärker KI-exponierten Berufsgruppen insgesamt rund ein Prozent über dem Niveau von 2022, während sie in den weniger exponierten Gruppen um gut drei Prozent zurückging.  

Bei den 20- bis 29-Jährigen sieht es etwas anders aus. Ihre Beschäftigung sank in stark KI-exponierten Berufen um 3,8 Prozent, in weniger exponierten Berufen um 2,6 Prozent. 

Routine war nie nur Routine

Viele Aufgaben, die heute als besonders gut automatisierbar gelten, waren für Berufseinsteiger bislang wichtige Lernaufgaben.

Die erste Recherche.
Das Protokoll nach einem Kundentermin.
Die Datenaufbereitung für eine Präsentation.
Der erste Entwurf einer Analyse.
Die Dokumentation eines Prozesses.

Diese Tätigkeiten sind selten die spannendsten Aufgaben eines Berufs. Aber sie erfüllen eine wichtige Funktion.

Wer Informationen selbst recherchiert, lernt einzuschätzen, welche Quellen belastbar sind.

Wer Daten aufbereitet, versteht irgendwann, welche Kennzahlen relevant sind und wo Unstimmigkeiten liegen.

Wer einen ersten Entwurf schreibt, lernt durch das Feedback darauf, was gute Arbeit eigentlich ausmacht.

Und wer einen Standardprozess mehrfach durchläuft, beginnt Muster zu erkennen, bevor er irgendwann selbst entscheiden muss, wann der Standard nicht mehr reicht.

Routinearbeit war deshalb nie nur Beschäftigung.

Sie war auch Training im echten Arbeitskontext.

Wer prüft die KI, wenn niemand mehr gelernt hat, wie es ohne sie geht?

Genau hier entsteht ein neues Spannungsfeld.

KI kann einen ersten Entwurf schneller erstellen, Informationen strukturieren oder Daten zusammenfassen. Das kann produktiver machen und Berufseinsteigern sogar früher Zugang zu anspruchsvolleren Aufgaben ermöglichen.

Aber dafür müssen sie beurteilen können, ob das Ergebnis gut ist. Und genau daraus entsteht eine zentrale Führungsfrage:

Wie sollen Nachwuchskräfte die Qualität eines KI-Ergebnisses beurteilen, wenn sie die zugrunde liegende Tätigkeit selbst nie gelernt haben?

Das ist keine Argumentation gegen KI.

Es ist eine Argumentation dafür, Lernen neu zu organisieren, wenn klassische Lernaufgaben verschwinden.

Das Problem ist international

Auch das World Economic Forum sieht den Berufseinstieg als einen besonders sensiblen Bereich der KI-Transformation. Weltweit arbeitet mehr als jeder dritte junge Beschäftigte in Berufen mit mittlerer bis hoher Exposition gegenüber KI-bedingten Aufgabenveränderungen. Das WEF empfiehlt deshalb, nicht nur einzelne Trainingsprogramme anzupassen, sondern gleichzeitig auf Jobzugang, Jobdesign, Talentpipelines und die Verbindung zwischen Bildungssystem und Arbeitswelt zu schauen.  

Auch die OECD mahnt zur Differenzierung. Junge Hochschulabsolvent:innen haben derzeit zwar schwierigere Arbeitsmarktbedingungen, dieser Trend begann aber bereits vor dem breiten Aufkommen generativer KI. Die Ursachen sind also komplexer als „KI nimmt Einstiegsjobs weg“.  

Genau deshalb lohnt es sich für Unternehmen, nicht auf die perfekte Prognose zu warten. Sondern proaktiv zu überlegen, wie Einstieg und Entwicklung so gestaltet werden können, dass Menschen auch in einer KI-geprägten Arbeitswelt noch Erfahrung aufbauen können. 

Einstiegsrollen #neudenken

Routinearbeit künstlich am Leben zu erhalten, nur damit Berufseinsteiger:innen etwas zu tun haben, wäre keine Lösung.

Also wie gestalten wir Lernen neu, wenn klassische Einstiegsaufgaben wegfallen oder sich stark verändern?

Genau an diesem Punkt setzt auch der HRC 2027 an.

Denn Themen wie KI, Future Skills, Learning & Development und Leadership lassen sich nicht getrennt voneinander denken. Wenn sich Aufgaben verändern, müssen sich auch Lernwege, Führung und Entwicklung mitverändern.

Beim HRC wollen wir deshalb nicht nur drüber sprechen, was KI übernimmt, sondern gemeinsam bearbeiten, was Organisationen neu schaffen müssen.

Das kann bedeuten, Mentoring verbindlicher zu machen und nicht dem Zufall zu überlassen, ob jemand regelmäßig Feedback bekommt.

Job Shadowing kann wieder wichtiger werden: nicht nur erklären, wie erfahrene Kolleg:innen entscheiden, sondern Nachwuchskräfte beobachten lassen, welche Informationen sie prüfen, welche Fragen sie stellen und warum sie an bestimmten Stellen skeptisch werden.

Auch frühere Projektverantwortung kann helfen. Wenn KI Teile der Vorarbeit übernimmt, können Berufseinsteiger möglicherweise schneller an echte Fragestellungen herangeführt werden – allerdings mit enger Reflexion und Begleitung.

Gleichzeitig können bewusste Lernphasen ohne KI sinnvoll sein. Nicht aus Prinzip, sondern dort, wo das eigene Durchdenken einer Aufgabe notwendig ist, um später Ergebnisse beurteilen zu können.

Und auch die Arbeit mit KI selbst muss Lernaufgabe werden: Was hat das Tool vorgeschlagen? Was wurde übernommen? Was verworfen? Welche Annahmen stecken dahinter? Wo war menschliches Urteil entscheidend?

Genau solche Fragen wollen wir beim HRC gemeinsam mit Führungskräften, Praktiker:innen und Mentor:innen aus unterschiedlichen Organisationen bearbeiten.

Nicht abstrakt.

Sondern mit Cases, Methoden und konkreten Erfahrungen aus der Praxis.

09.-10.Juni I Landeshauptstadt Magdeburg