Die Schlagzeile, die alle übersehen haben

Meta entlässt am 20. Mai 8.000 Mitarbeitende. Microsoft kauft 8.750 weitere aus den Verträgen heraus. Snap streicht 1.000, Atlassian 1.600. Die Begründung in jedem Memo? "Rasante Fortschritte bei künstlicher Intelligenz."

Was niemand offen ausspricht: Die KI erledigt die Arbeit noch gar nicht.

Goldman Sachs schätzt, dass KI in den USA monatlich 16.000 Jobs verdrängt. Allein im Q1 2026 wurden 73.000 Tech-Stellen gestrichen. Doch der Deloitte-Report "State of AI 2026" zeigt: 84 % der Unternehmen haben noch keine einzige Rolle entlang der KI-Fähigkeiten neu gestaltet. S&P Global meldet, dass 42 % im Jahr 2025 die meisten ihrer KI-Projekte aufgegeben haben. Morgan Stanley hat ermittelt, dass nur 21 % der S&P-500-Unternehmen überhaupt einen messbaren KI-Nutzen vorweisen können.

Die Jobs sind weg. Die KI ist nicht so weit. Was wirklich passiert ist, lässt sich einfacher und härter zusammenfassen: Die Unternehmen haben Personalkosten gegen Infrastruktur getauscht und das Ganze Fortschritt genannt.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
flowchart LR
    subgraph In["Was hineinging"]
        J["73.000 Jobs<br/>Q1 2026"]
        D["675 Mrd. USD KI-Infrastruktur<br/>Ausgaben 2026"]
    end
    subgraph Out["Was dabei herauskam"]
        A["42 % der Projekte<br/>aufgegeben"]
        B["84 % kein<br/>Rollenneugestaltung"]
        C["21 % messbarer<br/>Nutzen"]
    end
    J -->|"entlassen für"| D
    D -->|"lieferte"| A
    D -->|"lieferte"| B
    D -->|"lieferte"| C
    style J fill:#1a2540,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style D fill:#1a2540,stroke:#00d4ff,color:#00d4ff,stroke-width:2px
    style A fill:#2a1a1a,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style B fill:#2a1a1a,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style C fill:#0a2a1e,stroke:#00ff88,color:#00ff88,stroke-width:2px

Die Wende, die niemand kommen sah

Am 27. Februar 2026 entließ Jack Dorseys Block an einem einzigen Tag mehr als 4.000 Mitarbeitende — rund 40 % der Belegschaft. Dorsey verknüpfte den Schritt direkt mit KI und schrieb in seinem Aktionärsbrief, "ein deutlich kleineres Team kann mit den Tools, die wir bauen, mehr leisten — und besser." Die Block-Aktie sprang nach der Ankündigung um 22 %. Die Erzählung war kaum zu widerstehen: KI hatte einen großen Teil des Unternehmens überflüssig gemacht.

Im März kippte die Geschichte. Business Insider meldete, dass Block bereits Entlassene zurückgeholt hatte. Dorsey räumte intern ein: "Ich akzeptiere, dass wir bei einigen daneben lagen, und wir haben die Flexibilität eingebaut, das zu korrigieren." Die KI ersetzte weder das Urteilsvermögen noch die Beziehungen noch das institutionelle Gedächtnis dieser Menschen.

Das ist kein Versagen der KI. Es ist ein Versagen der Reihenfolge. Block kaufte die Erzählung, bevor klar war, was die Tools nicht können. Die 4.000 entlassenen Menschen wurden nicht durch bessere Technologie ersetzt. Sie wurden durch die Wette ersetzt, dass billigere Technologie irgendwann nachzieht.

Und hier wird es ungemütlich für jede Unternehmensführung: Diese 4.000 Menschen haben etwas mitgenommen. Produktinstinkt, Kundenbeziehungen, Sonderfälle, die nie ihren Weg in die Dokumentation fanden. KI kann nicht reproduzieren, was nie aufgeschrieben wurde.

Der Bumerang, über den niemand spricht

Forresters Studie 2026 zeigt: 55 % der Arbeitgeber, die KI-begründete Entlassungen vorgenommen haben, bereuen sie bereits. Nicht "ziehen sie in Erwägung". Bereuen. Gartner sagt voraus, dass bis 2027 die Hälfte der Unternehmen, die für KI Stellen gestrichen haben, wieder einstellen wird. Die Washington Times berichtet, dass E-Commerce- und Fintech-Unternehmen leise Content-Autoren, Software-Engineers und Servicekräfte zurückholen, die sie zuvor durch KI-Bots ersetzt hatten — die Gründe: verärgerte Kunden und sinkende Qualität.

Chris Willis, Chief Design Officer bei Domo, nennt es einen "KI-Kater": "Unternehmen erholen sich gerade von einem Moment, in dem sie überreagiert und geglaubt haben, diese Tools seien wirklich reif und einsatzbereit über alle Bereiche hinweg."

Die Wiedereinstellung ist nicht umsonst. Goldman Sachs hat festgestellt, dass KI in den USA netto rund 16.000 Jobs pro Monat eliminiert — doch der "Bumerang"-Trend bedeutet, dass viele dieser Streichungen nur vorübergehend sind. Unternehmen zahlen Abfindungen, verlieren institutionelles Wissen, beschädigen die Moral und zahlen dann Personalvermittler-Honorare und Signing-Boni, um Leute zurückzuholen — oft zu höheren Gehältern, weil der Markt sich bewegt hat. Die KI hat den Job nicht zerstört. Die Panik hat es getan.

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#1a2540', 'primaryTextColor': '#ffffff', 'primaryBorderColor': '#ffffff', 'lineColor': '#ffffff', 'background': '#0a0f1e', 'mainBkg': '#1a2540', 'nodeBorder': '#ffffff', 'edgeLabelBackground': '#1a2540'}}}%%
flowchart TB
    subgraph Fire["Die Entlassungen"]
        F1["Stellen streichen<br/>für 'KI-Effizienz'"]
        F2["Institutionelles<br/>Wissen verloren"]
        F3["Teammoral<br/>beschädigt"]
    end
    subgraph Wait["Das Warten"]
        W1["KI liefert nicht<br/>die versprochenen Gewinne"]
        W2["Kundenbeschwerden<br/>nehmen zu"]
        W3["Qualität sinkt<br/>monatelang unbemerkt"]
    end
    subgraph Rehire["Die Wiedereinstellung"]
        R1["55 % bereuen<br/>die Entscheidung"]
        R2["Wiedereinstellung teurer<br/>+ Signing-Bonus"]
        R3["Das Wissen ist weg.<br/>Für immer."]
    end
    Fire --> Wait --> Rehire
    style F1 fill:#1a2540,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style F2 fill:#1a2540,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style F3 fill:#1a2540,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style W1 fill:#1a2540,stroke:#ffb347,color:#ffb347,stroke-width:2px
    style W2 fill:#1a2540,stroke:#ffb347,color:#ffb347,stroke-width:2px
    style W3 fill:#1a2540,stroke:#ffb347,color:#ffb347,stroke-width:2px
    style R1 fill:#2a1a1a,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style R2 fill:#2a1a1a,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px
    style R3 fill:#2a1a1a,stroke:#ff6b6b,color:#ff6b6b,stroke-width:2px

Das Wissen, das mit ihnen ging

Das ist der Teil der Entlassungsgeschichte, der es nicht in die Schlagzeilen schafft. Wenn Meta 8.000 Menschen entlässt, verliert das Unternehmen nicht nur 8.000 Gehälter. Es verliert 8.000 Kontextkarten dafür, wie das Produkt tatsächlich funktioniert.

Ein Senior Engineer in einem Fintech — ich kann den Namen nicht nennen — hat es mir so beschrieben: Sein Team hatte über sechs Jahre ein System zur Betrugserkennung aufgebaut. Das System enthielt mehr als 400 Regeln, jede aus einem konkreten Vorfall geboren. Die Hälfte dieser Vorfälle wurde nie dokumentiert. Die Engineers, die sich daran erinnerten, wurden in einer "Restrukturierung für KI" entlassen. Das neue KI-Modell, das das Unternehmen kaufte, war auf den Daten trainiert — aber nicht auf den Geschichten hinter den Daten. Die False Positives stiegen im ersten Quartal um 40 %. Kunden wurden zu Unrecht markiert. Das Unternehmen stellt jetzt leise wieder ein — die ursprünglichen Engineers sind weitergezogen.

Das sind die versteckten Kosten. KI-Modelle werden auf Daten trainiert. Daten enthalten kein Urteilsvermögen, keine Ausnahmen, keine tausend Mikroentscheidungen, die erfahrene Menschen treffen, ohne darüber nachzudenken. Wenn Sie die Menschen entlassen, die diesen Kontext tragen, ersetzen Sie sie nicht durch KI. Sie ersetzen sie durch ein System, das sich erst neu beibringen muss, was die Menschen wussten — langsam, teuer und unvollständig.

Boeing liefert ein düstereres Beispiel. Ende 2022 gingen mehr als 500 hochqualifizierte Engineers im Großraum Seattle in einem einzigen Monat in den Ruhestand, viele mit Vorruhestandspaketen. Bis 2025 zeigte ein interner Audit, dass der Anteil der Boeing-Mitarbeitenden mit zehn oder mehr Jahren Erfahrung von rund 50 % auf 25 % gefallen war. Ein Konzernverantwortlicher sagte den Regulierungsbehörden, dass Qualitätsprobleme direkt auf "den Mangel an einer ausreichenden Zahl ausgebildeter und erfahrener Luftfahrtmitarbeiter" zurückzuführen seien. Das Wissen ist nicht nur hinausgegangen. Es ist hinausgeflogen, hat eine Rente mitgenommen und kommt nicht zurück.

Die Ironie: Dieselben Menschen trainieren jetzt die KI

Hier kommt die Wendung, die das Ganze absurd macht.

Während Unternehmen Fachexpertinnen und Fachexperten entlassen, um KI zu finanzieren, stellen KI-Anbieter händeringend Fachexpertise ein, um ihre Modelle zu trainieren. LinkedIn führt mehr als 5.000 "AI Training"-Jobs in den USA. Indeed zeigt über 12.000 Positionen als "AI Subject Matter Expert". SME Careers vermittelt Fachexpertise an KI-Trainingsprojekte in Gesundheit, Recht, Finanzen und Bildung. Outlier AI zahlt 15 bis 100 USD pro Stunde, damit Fachleute Modell-Outputs bewerten.

Die Stellenanzeigen sind unmissverständlich: "Ärztinnen und Ärzte. Anwältinnen und Anwälte. Lehrkräfte. Autorinnen und Autoren. Übersetzerinnen und Übersetzer." Genau die Expertise, die Unternehmen als zu eliminierende Kosten behandeln, wird von KI-Laboren zum Premium-Preis eingekauft.

Meta hat Servicekräfte entlassen. OpenAI stellt Service-Expertinnen und -Experten ein, um seine Modelle zu trainieren. Das Wissen wurde nicht wertlos. Es hat nur den Arbeitgeber gewechselt.

Das Umdenken: Nehmen Sie Ihre Mitarbeitenden mit

Die Erzählung rund um KI und Arbeit ist kaputt. Sie wird als Nullsummenspiel gerahmt: KI gewinnt, Menschen verlieren. Die Daten erzählen eine andere Geschichte.

Gartner prognostiziert, dass KI mindestens bis 2029 mehr Jobs schaffen wird, als sie vernichtet. Die entstehenden Jobs sind nicht nur KI-Engineers. Es sind Fachexpertinnen und Fachexperten, die KI beibringen, in ihrem Feld zu denken. Es sind Prozessgestalter, die Abläufe rund um die Zusammenarbeit Mensch-KI neu zeichnen. Es sind Governance-Spezialistinnen und -Spezialisten, die sicherstellen, dass KI-Outputs regulatorische und ethische Standards erfüllen.

Die Unternehmen, die hier richtig liegen, entlassen keine Menschen, um KI zu kaufen. Sie qualifizieren Menschen um, damit sie mit KI arbeiten.

Das Rezept ist einfach. Erstens: Identifizieren Sie das unersetzliche Wissen — nicht Stellentitel, sondern das, was Ihre Mitarbeitenden wissen und was in keiner Datenbank steht. Kundenbeziehungen, regulatorische Feinheiten, Fehlermuster. Das ist Ihr eigentliches IP.

Zweitens: Qualifizieren Sie um, ersetzen Sie nicht. Dieselbe Risikoanalystin, die Kredite geprüft hat, kann KI-Risiko-Scores validieren. Derselbe Engineer kann den AI-nativen Ersatz konzipieren. Der Job verändert sich. Die Person muss nicht gehen.

Drittens: Messen Sie KI an dem, was sie verstärkt — nicht an dem, was sie eliminiert. "Stellen reduziert" ist die falsche Kennzahl. "Output pro Personenstunde gestiegen" ist die richtige.

Viertens: Budgetieren Sie für den Übergang, nicht nur für das Tool. Unternehmen, die Menschen entlassen, um KI zu finanzieren, überspringen die Lernphase. Die Kosten zeigen sich später — in Kundenabwanderung, Compliance-Brüchen und Wiedereinstellungs-Ausgaben.

Die eigentliche Frage

Die nächste Welle der Enterprise-KI dreht sich nicht darum, Menschen zu ersetzen. Sie dreht sich darum, was passiert, wenn die Menschen, die die KI hätten trainieren können, schon weg sind.

Ich sehe zwei Muster. Muster eins: die Panik-Entlassung. Stellen streichen, KI kaufen, hoffen, dass es funktioniert. Meta, Microsoft, Snap. Sie wetten darauf, dass KI die Kürzungen irgendwann rechtfertigt. Die Daten sagen: bei den meisten wird das nicht passieren.

Muster zwei: der bewusste Übergang. Ein nordeuropäischer Versicherer, den ich beraten habe, hat seine Schadenregulierer behalten und sie umqualifiziert, damit sie KI-generierte Einschätzungen validieren. Ihr Job hat sich verschoben — von "jeden Fall prüfen" zu "die Sonderfälle der KI auditieren". Die Produktivität verdoppelte sich. Die Zufriedenheit blieb stabil — kein Einbruch, keine Erholung, kein Bumerang. Die Kosten waren im ersten Jahr höher. Doch im zweiten Jahr stand ein funktionierendes System und ein eingearbeitetes Team. Die Unternehmen, die entlassen haben, sind im zweiten Jahr der Wiedereinstellung.

Metas 8.000 Entlassungen werden Milliarden an Personalkosten sparen. Microsoft spart weitere Milliarden. Aber das Wissen, das diese Menschen trugen — der Produktinstinkt, die Kundenbeziehungen, die Erfahrungsberichte, die nie in eine Dokumentation gewandert sind — geht mit ihnen zur Tür hinaus. KI kann nicht lernen, was nicht aufgeschrieben ist. Und die Menschen, die es aufschreiben könnten, aktualisieren gerade ihre LinkedIn-Profile.

Die Ironie ist fast zu perfekt. Während Unternehmen Fachexpertise entlassen, um KI zu finanzieren, stellen KI-Anbieter Fachexpertise ein, damit ihre Produkte überhaupt funktionieren. Die Expertise ist nicht überholt. Sie ist nur zu einem besser zahlenden Arbeitgeber gewechselt.

Die Frage für jede Unternehmensführung lautet nicht "Kann KI diesen Job machen?". Sie lautet "Können wir es uns leisten, die Person zu verlieren, die weiß, warum dieser Job überhaupt zählt?".

Die meisten beantworten sie falsch.

Quellen

Daniel Piatkowski — Data & Analytics-Veteran, der AI-native Unternehmen prägt. elicify.ai