Der Cliff ist kein einzelner, riesiger Absturz
David Shapiros überarbeitete These zum automation cliff bewahrheitet sich: Es handelt sich nicht um einen einzigen, wirtschaftsweiten Zusammenbruch, sondern um eine Kaskade individueller Abstürze, einen value stream nach dem anderen. Er prognostizierte ursprünglich einen breiten Wendepunkt bis 2030, stellt nun aber klar, dass sich die Verdrängung drastisch beschleunigt – nicht in der gesamten Wirtschaft, sondern innerhalb spezifischer Geschäftsfunktionen. Der Cliff ist real; sein Eintreffen ist lediglich granularer.
Die Unterscheidung zwischen einem Workflow und einem Value Stream ist entscheidend. Ein Workflow repräsentiert den mitarbeiterorientierten Prozess – zum Beispiel die Warteschlange von Kundentickets. Ein Value Stream hingegen ist das zugrunde liegende Geschäftsergebnis: sicherzustellen, dass jeder Kunde eine Antwort erhält. Automatisierung zielt auf diese tiefere, ergebnisorientierte Ebene ab.
Diese digitale Präzision erklärt die plötzlichen, massiven Verschiebungen, die wir beobachten. Shapiro, ein ehemaliger Infrastructure Automation Engineer, weist darauf hin, dass Tools wie Terraform es Ingenieuren ermöglichen, durch die Änderung einer einzigen Zahl in einer Datei von 10 auf 10.000 Server zu skalieren. Amazon beispielsweise implementierte 2011 alle 11,6 Sekunden neuen Code und aktualisierte zu Spitzenzeiten 30.000 Server gleichzeitig.
Dieses Prinzip der arbitrary scalability bedeutet, dass ein digitaler Automatisierungsprozess, sobald er zuverlässig funktioniert, fast augenblicklich vom Testbetrieb auf enorme Skalierung umgestellt werden kann. Der Cliff ist kein allmählicher Abhang; es ist ein plötzlicher Absturz für jeden perfektionierten Value Stream.
Wenn die Warteschlange über Nacht verschwindet
Automatisierung komprimiert Arbeitszeitpläne mit einer Plötzlichkeit, die traditionelles Projektmanagement obsolet macht. Betrachten Sie das britische Department for Work and Pensions: 12 Software-Roboter haben einen Rückstand von mehr als 30.000 Rentenanträgen in nur zwei Wochen abgearbeitet. Dies ist keine schrittweise Verbesserung; es ist die sofortige Löschung einer gesamten Warteschlange.
Airbnb erlebte eine ähnliche Beschleunigung während einer KI-gestützten Testdatei-Migration. Ingenieure schätzten, dass die Arbeit manuell 18 Monate dauern würde, doch die KI erledigte 75 % der Aufgabe in vier Stunden. Diese schnelle Komprimierung, unterstützt durch menschliche Validierung und technische Aufsicht, unterstreicht die Fähigkeit der KI, Zeitpläne von Jahren auf Stunden zu verkürzen.
Klarnas KI-Assistent verdeutlicht diesen „Über-Nacht“-Wandel weiter. Im ersten Monat bearbeitete er 2,3 Millionen Kundenkonversationen. Klarna schreibt dies dem Äquivalent von 700 Vollzeitmitarbeitern zu, wobei die durchschnittliche Antwortzeit von 11 Minuten auf unter zwei sank. Dies ist nicht nur Effizienz; es ist eine grundlegende Neudefinition der customer service capacity.
Der gemeinsame Nenner ist nicht inkrementeller Gewinn, sondern discontinuous transformation. Wenn ein Workflow oder Value Stream vollständig automatisiert ist, nimmt die Nachfrage nach menschlicher Arbeit in diesem spezifischen Bereich nicht ab – sie verschwindet. Dies ist kein langsamer Rückgang; es ist ein cliff event, das sich branchenübergreifend wiederholt, ein Prozess nach dem anderen.
Der Beweis ist real – und chaotischer als das Verkaufsargument
Der Beweis für den Cliff ist real – und chaotischer als das Verkaufsargument. Die Arbeitssignale sind zunehmend ungleichmäßig, nicht einheitlich düster. Die Beschäftigung in Callcentern und im Kundenservice ist zurückgegangen, ebenso wie die Zahl der Stellen für freiberufliche Texter und Programmierer, und Arbeitgeber führen bei Entlassungsankündigungen zunehmend KI an.
Entscheidend ist, dass die aggregierten Beschäftigungstrends KI nicht als alleinige Ursache etablieren. Übermäßige Einstellungen während der Pandemie, Zinssätze und Streiks haben ebenfalls zu den jüngsten Kürzungen beigetragen. Sogar „AI-washing“ – die Schuld auf KI für geplante Entlassungen zu schieben – kann die Daten verzerren, wie Sam Altman selbst feststellte.
Die Zuverlässigkeit der Automatisierung stellt ebenfalls eine erhebliche Hürde dar. Die australische Commonwealth Bank beispielsweise strich 45 Callcenter-Stellen nach der Implementierung eines Voice-Bots, machte diese Entscheidung jedoch Wochen später wieder rückgängig und räumte ein, dass die Stellen letztlich doch nicht überflüssig waren. Ähnlich verhielt es sich bei Klarna: Das Unternehmen, das anfangs für seinen KI-Assistenten gelobt wurde, legte bald darauf wieder den Fokus auf human support, nachdem die Qualität gelitten hatte und der CEO dies als "VIP-Behandlung" bezeichnete.
Diese Kehrtwenden unterstreichen die harte Arbeit, die nötig ist, um aufeinanderfolgende Zuverlässigkeits-„Neuner“ zu erreichen. Wie Andrej Karpathy, Mitbegründer von OpenAI, anmerkt, ist eine Demo, die zu 90 % funktioniert, „nur die erste Neun“. Das Erreichen von 99 % oder 99,9 % – die Art von perfect automation, wie man sie bei Tools wie Terraform sieht (weiterführende Informationen zu Infrastructure as Code: Introduction to Terraform - HashiCorp Developer) – erfordert erheblichen Aufwand. Manche Wertschöpfungsketten werden ihren Wendepunkt in Monaten erreichen, andere erst in Jahren.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Der verborgene Wandel: Jobs, die nie entstehen
Nationale Statistiken, die aggregiert und geglättet wurden, können die scharfen, lokal begrenzten Auswirkungen der Automatisierung leicht verschleiern. Jeder value-stream cliff erreicht seinen eigenen Zeitplan; Verdrängung äußert sich oft durch stille Fluktuation oder verzögerte Neueinstellungen, nicht durch öffentliche Entlassungen. Dieser verborgene Wandel maskiert das wahre Tempo des Wandels.
Die Federal Reserve berichtete kürzlich, dass Unternehmen in fünf ihrer zwölf Bezirke nach KI-Investitionen Personal durch Fluktuation oder verzögerte Neueinstellungen abgebaut haben. Gleichzeitig zeigte eine Stanford-Studie einen Rückgang der Beschäftigung um 11 % bei jungen Arbeitnehmern (im Alter von 22-25 Jahren) in Berufen mit hoher KI-Exposition seit Ende 2022, während ihre Kollegen in weniger exponierten Rollen ein Wachstum von 10 % verzeichneten. Korrelation ist keine Kausalität, aber das Signal ist eindeutig.
Dies führt uns zu David Shapiros post-labor economics: Wenn Maschinen mehr Arbeit verrichten, werden Löhne, die ausschließlich an human work gebunden sind, schrumpfen. Die entscheidenden Fragen verlagern sich dann auf Eigentumsverhältnisse und eine breitere Vermögensverteilung. Shapiro prognostiziert diese grundlegende wirtschaftliche Neubewertung innerhalb der nächsten fünf Jahre – ein Zeitrahmen, der unsere dringende Aufmerksamkeit erfordert.
Häufig gestellte Fragen
Was meint David Shapiro mit einem Automatisierungs-Cliff?
Eine Aufgabe oder Wertschöpfungskette kann von Menschen geleitet bleiben, bis die Automatisierung zuverlässig wird, und dann schnell auf Software im großen Maßstab umgestellt werden.
Warum sagt Shapiro, dass es Tausende von Automatisierungs-Cliffs gibt?
Unternehmen automatisieren unterschiedliche Arbeitsabläufe und Geschäftsergebnisse mit unterschiedlichen Geschwindigkeiten, anstatt die gesamte Arbeit auf einmal zu ersetzen.
Führt KI-Automatisierung immer zum Abbau von Arbeitsplätzen?
Nein. Sie kann Neueinstellungen oder Arbeitslasten ohne Entlassungen reduzieren, und einige Unternehmen haben Kürzungen rückgängig gemacht, als die Qualität des automatisierten Service nicht ausreichte.
Was ist eine Wertschöpfungskette (Value Stream)?
Eine Wertschöpfungskette ist die durchgängige Arbeit, die ein Ergebnis erzeugt, das für Kunden oder das Unternehmen einen Wert darstellt, über den individuellen Arbeitsablauf eines Mitarbeiters hinaus.