Der KI-Bumerang: Erst kürzen, dann messen kostet doppelt

Für jede Ankündigung von „KI-Effizienz“ gibt es einen einfachen Test: Hat das Unternehmen vor dem Stellenabbau gemessen, was die betroffenen Beschäftigten tatsächlich geleistet haben? Angesichts der wachsenden Welle von Wiedereinstellungen haben das viele offenbar nicht getan.

Das Muster lässt sich kaum noch übersehen. Medien wie RT Actualidad sprechen vom „KI-Bumerang“: Unternehmen holen Beschäftigte zurück, die sie durch künstliche Intelligenz ersetzt hatten. Klarna gilt als bekanntestes warnendes Beispiel. Wie Mundiario berichtet, setzte das Fintech stark auf die Automatisierung des Kundendienstes und stellte später wieder ein, nachdem es die Grenzen dieses Ansatzes eingeräumt hatte. Derselbe Beitrag zitiert eine Prognose von Gartner, wonach bis 2027 die Hälfte der Unternehmen, die Personal abgebaut und dies mit KI begründet haben, für ähnliche Stellen wieder einstellen wird.

Diese letzte Zahl sollte man als das nehmen, was sie ist: eine Prognose, kein Ergebnis. Einige der kursierenden Umfragen, etwa die Behauptung, bis zu 55 % der Arbeitgeber bereuten KI-bedingte Entlassungen, stammen von undatierten Seiten, die sich schwer überprüfen lassen. Die Richtung ist über alle Quellen hinweg jedoch einheitlich.

Der Fehler war nicht der KI-Einsatz, sondern der Personalabbau zuerst

Wir glauben nicht, dass diese Geschichte zeigt, dass KI nicht funktioniert. Sie zeigt einen Fehler in der Reihenfolge. Ein vernünftiger Einsatz verläuft so: die Arbeit erfassen, automatisieren, was trägt, die Qualität messen und erst dann entscheiden, wie viele Menschen man braucht. Viele Unternehmen scheinen es umgekehrt gemacht zu haben. Sie verbuchten die Einsparungen in der Pressemitteilung und überließen die Belege der Zukunft.

Das Verräterische ist, was zusammen mit den Stellen verschwindet. Die Analyse von Mundiario verweist auf den Verlust von angesammeltem Wissen: Erfahrene Beschäftigte wissen, wie sich Kunden verhalten, erkennen Probleme, bevor sie eskalieren, und kümmern sich um die Sonderfälle. Ein Modell kann Hunderte Anfragen in Sekunden beantworten, aber auch Informationen erfinden oder eine schlechte Entscheidung in großem Maßstab wiederholen. Und wenn die Menschen, die diese Fehler auffangen würden, entlassen wurden, ist ein Fehler kein Ticket mehr, sondern ein finanzieller Verlust, eine Beschwerde oder ein Imageschaden.

Das ist die doppelte Zahlung, um die es in der These geht. Zuerst zahlt man für den Stellenabbau und die dadurch verursachten Störungen. Dann zahlt man, so unsere Einschätzung, noch einmal für Personalsuche, Einarbeitung und das auf dem Weg verspielte Vertrauen der Kunden.

Die Rechnung ging weniger sicher auf, als die Vorstände annahmen

Es gibt einen Grund, warum die Logik „erst kürzen“ so verführerisch war. Laut einer zweiten Analyse von Mundiario erwarten 77 % der Vorstände von KI sinkende Kosten, während 38 % der Unternehmen ihr Implementierungsbudget bereits überschritten haben. Integration, Wartung, Infrastruktur und menschliche Aufsicht können einen guten Teil der versprochenen Einsparungen aufzehren. Wer die Senkung der Personalkosten sofort verbucht, die KI-Rechnung aber später und höher ausfällt, dreht das Ergebnis ins Gegenteil.

Unsere Lesart: Entlassungen waren der einzige Posten im KI-Business-Case, der unmittelbar und sicher war, also wurden sie zum ganzen Business-Case. Alles andere, darunter Qualität und Fehlerquoten, wurde schlicht unterstellt.

Skepsis in beide Richtungen

Zwei Einschränkungen. Erstens hat nicht jede auf KI zurückgeführte Entlassung wirklich mit KI zu tun. Mundiario selbst weist darauf hin, dass auch Kosten, Umstrukturierungen und die Konjunktur eine Rolle spielen und dass die Erwartung dessen, was KI morgen leisten wird, oft herangezogen wird, um Stellen zu streichen, die heute noch wichtig sind. Einen routinemäßigen Kostenschnitt als „AI-Washing“ zu verkaufen, ist bequem, und der Bumerang könnte teilweise das Ende dieser Erzählung sein.

Zweitens ist die Wiedereinstellung kein Triumphzug für die Beschäftigten. Eine im selben Artikel zitierte Studie der Stanford University ergab, dass die Beschäftigung der 22- bis 25-Jährigen in stark KI-exponierten Berufen 19 % unter dem Verlauf liegt, den sie sonst genommen hätte, wobei die Forscher keine Hinweise auf eine volkswirtschaftsweite Vernichtung von Arbeitsplätzen fanden. Der Schaden scheint sich also auf die Einstiegsebene zu konzentrieren, genau dort, wo das Urteilsvermögen entsteht, das Unternehmen nun vermissen. Erfahrene Kräfte wieder einzustellen und zugleich Berufseinsteigern den Zugang zu versperren, verschiebt dasselbe Problem nur.

Unser Fazit

Wer ein Unternehmen führt, sollte die Personalstärke als letzte Variable verändern, nicht als erste. Pilotprojekte durchführen, Fehler und Kundenergebnisse messen, die Leute behalten, die wissen, wo das Modell versagt, und nur kürzen, was die Daten bereits als überflüssig belegt haben. Beschäftigte sollten den Bumerang nicht als Jobgarantie lesen, sondern als Hinweis darauf, worin ihr Wert liegt. Menschen, die KI-Ergebnisse überprüfen können, sind unserer Meinung nach diejenigen, ohne die Unternehmen am Ende nicht auskommen.

Die Technik wird besser werden, und manche dieser Stellen werden vermutlich für immer verschwinden. Aber „die Qualität klären wir später“ war eine teure Methode, herauszufinden, welche.