In den letzten Wochen sind mir einige interessante Studien vor allem aus dem US-amerikanischen Wissenschaftssystem begegnet, die ich nunmehr mit Blick auf die Zukunft der Arbeit im KI-Agenten-Zeitalter zusammenfassen lasse (mit NotebookLM) – und dann entsprechend meiner Präferenzen als “Human-in-the-loop” feintune. Auch habe ich unsere JobEvolution Mia mit einigen dieser neuen Studien gefüttert – Ihr findet unten den Link dahin und könnt selbst mit ihr konferieren.
Worum geht’s und was hat sich verändert?
Die Einführung von generativer Künstlicher Intelligenz (KI), insbesondere seit Ende 2022, hat einen ersten Wandel in der Wirtschaft ausgelöst. Doch der nächste Entwicklungsschritt – die KI-Agenten – verspricht eine noch tiefere Transformation. KI-Agenten sind nicht mehr nur Werkzeuge, die in Produktionsprozesse integriert werden, sondern Systeme, die autonom komplexe Aufgaben über lange Zeithorizonte hinweg planen und ausführen können.
Dieser Blogpost beleuchtet die doppelten Implikationen dieser Agenten-Ökonomie auf der Basis aktueller Forschungen: den unmittelbaren, messbaren Einfluss auf die Produktivität und die langfristigen, disruptiven Folgen für die Marktstruktur und den Wert der menschlichen Arbeit.
1. Die Anatomie des Agenten: Wie KI-Akteure arbeiten
Der Kern der Agenten-Fähigkeit liegt in ihrer Architektur. Ein Agent ist mehr als eine einfache Prompt-Antwort-Schleife.
Grundlagen und Orchestrierung
Agenten sind darauf ausgelegt, ein allgemeines Ziel (“Analysiere ein Foto, um eine bestimmte Pflanzenart zu identifizieren, und rufe dann autonom deren detaillierte Pflegeanweisungen ab” oder “Plane diese Produkteinführung”) in eine Reihe von Teilschritten zu zerlegen. Ein gängiges Orchestrierungsmuster ist ReAct (Reason + Action):
- Reason (Überlegen): Der Agent bewertet das Ziel und bildet eine Hypothese über den besten nächsten Schritt.
- Act (Handeln): Der Agent wählt ein Tool (z. B. eine interne API, einen Taschenrechner oder Google Search) und ruft es auf.
- Observe (Beobachten): Der Agent erhält die Ausgabe des Tools und integriert diese neue Information in seinen Kontext, um den nächsten “Reason”-Schritt zu informieren.
Zusammenarbeit und Spezialisierung
Der wahre Mehrwert entsteht oft durch Multi-Agenten-Workflows. Agenten können in Teams zusammenarbeiten und spezialisierte Rollen übernehmen.
Ein Beispiel dafür ist eine Kette von Aufgaben, bei der eine “Penible Journalistin” Texte erstellt, diese an einen “Überschriftenchef Kai” weiterleitet und schließlich eine “Social-Media-Susi” die Inhalte für verschiedene Plattformen optimiert.
Solche Workflows erfordern spezielle Plattformen und eine Syntax, um die Agenten zur Zusammenarbeit zu bewegen (z. B. Typingmind, Langchain oder Crew AI).
2. Der Produktivitätsschub: Empirische Fakten zur Arbeit der Gegenwart
Die empirischen Daten zeigen, dass der Einsatz von KI-Agenten und generativer KI am Arbeitsplatz sofortige und messbare Auswirkungen hat.
Zunahme und Umverteilung der Produktivität
Der Zugang zu KI-Assistenz steigert die Produktivität der MitarbeiterInnen im Durchschnitt um 15 % (gemessen an den pro Stunde gelösten Kundenproblemen).
Auffällig ist dabei, dass der Nutzen ungleich verteilt ist:
- Gewinner am unteren Ende: Die Produktivitätsgewinne fallen überproportional an weniger erfahrene und geringer qualifizierte MitarbeiterInnen. So verbesserten UnternehmensberaterInnen mit unterdurchschnittlicher Leistung ihre Abschlussquote bei bestimmten Aufgaben dank GPT-4 um 43 %.
- Beschleunigte Einarbeitung: KI verkürzt die Einarbeitungszeit drastisch. Agenten mit nur zwei Monaten KI-Erfahrung schnitten so gut ab wie MitarbeiterInnen ohne KI, die mehr als sechs Monate Erfahrung hatten.
- Stagnation an der Spitze: Die erfahrensten und qualifiziertesten MitarbeiterInnen verzeichnen nur geringe Geschwindigkeitssteigerungen und können sogar kleine Rückgänge in der Qualität ihrer Konversationen erleben. Dies wirft die Frage auf, ob Top-Performer dazu neigen, sich zu sehr auf die vorgeschlagenen, “ausreichenden” Lösungen zu verlassen, anstatt eigene, innovativere Ansätze zu entwickeln.
Verbesserte Arbeitserfahrung
KI verbessert nicht nur die Kennzahlen, sondern auch die Arbeitsatmosphäre:
- Höfliche Kunden: Die Interaktion mit KundInnen wird angenehmer, da KundInnen höflicher werden und seltener darum bitten, mit Vorgesetzten zu sprechen.
- Geringere Fluktuation: KI-Assistenz ist mit einer reduzierten Mitarbeiterfluktuation verbunden, insbesondere bei neuen MitarbeiterInnen.
Lernen im Workflow
Der Produktivitätsanstieg beruht auf echtem, dauerhaftem Lernen, nicht nur auf reiner Abhängigkeit von der KI.
Die KI-Assistenz ist demnach nicht bloß eine Krücke, die nur funktioniert, wenn sie eingeschaltet ist, sondern ein Trainerin, die die MitarbeiterInnen dauerhaft besser macht.
MitarbeiterInnen, die aktiv mit der KI zusammenarbeiteten, waren auch dann noch schneller bei der Bearbeitung von Kundenanfragen, wenn die KI wegen einer technischen Störung komplett ausgefallen war. Ihre Leistung blieb über ihrem Niveau, das sie vor der Einführung der KI hatten.
3. Marktbeben und die Geburt neuer “Gatekeeper”
KI-Agenten bedrohen bestehende Marktstrukturen, da sie Intermediäre ersetzen und neue Formen der Konzentration schaffen könnten.
Disruption bestehender Plattformen
KI-Agenten können die Notwendigkeit traditioneller digitaler Marktplätze untergraben.
- Der “Personal Shopper”: VerbraucherInnen könnten einen KI-Agenten-Dienst abonnieren, der Transaktionen autonom durchführt, Präferenzen erlernt und Preise aushandelt. Ein solcher Agent könnte beispielsweise Buchungsplattformen (wie Booking.com) Konkurrenz machen, da er besser darin ist, das ideale Hotel zu finden.
- Automatisierung kreativer Dienste: Generative KI stellt Dienste in Frage, die zuvor von Menschen unter Verwendung traditioneller Software erbracht wurden. So stellen Tools wie Stability AI und DALL-E eine erhebliche Bedrohung für die traditionelle Dominanz von Adobe Photoshop in der Bildbearbeitung dar, da sie in Sekundenschnelle hochwertige, komplexe Bilder aus Textbeschreibungen generieren können.
Neue Monopolrisiken
Obwohl die Foundation Models selbst (wie GPT oder Gemini) wahrscheinlich nicht zu einem Monopol führen werden (im Gegensatz zur Internetsuche in den 90ern), da die Anwendungsfälle zu vielfältig sind und Feedback-Loops oft schwach sind, besteht die Gefahr der Entstehung neuer Gatekeeper-Positionen:
- Agenten-Anbieter: Die Anbieter von KI-Agenten-Diensten, die Kundenpräferenzen lernen und gruppenspezifische Preise aushandeln, könnten mächtigere Gatekeeper werden als die von ihnen ersetzten Vermittler.
- Betriebssysteme: Große Technologieunternehmen könnten KI tief in ihre Betriebssysteme (iOS, Android, Windows) integrieren, was neue Markteintritte erschwert und BenutzerInnen weiter an ihre Ökosysteme bindet.
Der doppelte Druck auf EinsteigerInnen
Die Verschiebung der Wertschöpfung zeigt sich bereits im Arbeitsmarkt: es gibt Belege für einen Rückgang der Neueinstellungen in Einstiegspositionen in KI-exponierten Bereichen (z. B. Junior-Codierung) nach 2022, während ältere MitarbeiterInnen Zuwächse verzeichnen. (Wir hatten dies bereits analysiert.) Generative KI könnte eine “Seniority-Biased Technological Change” darstellen.
Der Begriff „Seniority-Biased Technological Change“ (SBTC, zu Deutsch etwa: Senioritäts-orientierte Technologische Veränderung) beschreibt eine spezifische Verschiebung auf dem Arbeitsmarkt, bei der die Einführung neuer Technologien – insbesondere generativer KI – etablierte und erfahrene Arbeitskräfte (Senior) gegenüber Berufseinsteigern (Junior) bevorzugt.
4. Die AGI-Hypothese: Die Entkopplung von Arbeit und Wachstum
Die langfristigen theoretischen Modelle, insbesondere in einer hypothetischen Ära der Künstlichen Allgemeinen Intelligenz (AGI), zeichnen ein viel düstereres Bild für die fundamentale ökonomische Rolle der menschlichen Arbeit.
Bottleneck vs. Accessory Work
In einer AGI-Wirtschaft, in der es möglich ist, jede ökonomisch wertvolle Arbeit durch Rechenleistung (Compute) zu erledigen, müssen wir die Arbeit neu definieren:
- Bottleneck Work (Engpassarbeit): Aufgaben, die für ungehindertes Wirtschaftswachstum unerlässlich sind (z. B. Energieerzeugung, Logistik, Wissenschaft).
- Accessory Work (Akzessorische Arbeit): Aufgaben, die für das Wachstum nicht essenziell sind (z. B. Kunst, Gastgewerbe, Therapie).
Die ökonomische Logik besagt, dass alle Bottleneck Work letztendlich automatisiert und von Compute übernommen wird. Menschliche Arbeit könnte weiterhin in der Accessory Work bestehen bleiben, da es unpraktisch wäre, die knappen (wenn auch exponentiell wachsenden) Rechenressourcen dafür zu verschwenden.
Der Lohnkollaps und die ökonomische Irrelevanz
Diese Verschiebung hat tiefgreifende Folgen für die Einkommensverteilung:
- Entkopplung von Wachstum und Löhnen: Das Wirtschaftswachstum wird allein durch das Wachstum der Rechenressourcen (Compute) bestimmt. Der Wert menschlicher Arbeit ist nicht mehr an dieses Wachstum gekoppelt, sondern wird auf die Kosten der Rechenleistung zur Reproduktion der menschlichen Arbeit (Compute-Equivalent Units, CEU) begrenzt. Die Löhne stagnieren, selbst wenn die Wirtschaft weiter wächst.
- Der Zusammenbruch des Arbeitsanteils: Der Anteil des Arbeitseinkommens am BIP konvergiert gegen null. Praktisch das gesamte Einkommen fließt den EigentümerInnen der Rechenressourcen zu.
- Die Marginalisierung: Menschliche Arbeit behält zwar einen Wert, da sie knappe Rechenressourcen einspart, aber ihr Beitrag wird ökonomisch vernachlässigbar. Die provozierende Schlussfolgerung aus diesem Modell lautet: “In the AGI economy, we won’t be missed” (Wir werden nicht vermisst werden).
5. Vom Prototyp zur Produktion: Steuerung und Governance
Der erfolgreiche Einsatz von KI-Agenten hängt nicht nur von ihrer Intelligenz, sondern auch von ihrer Steuerung und Zuverlässigkeit ab.
Fokus auf den Workflow, nicht nur auf den Agenten
Der Schlüssel zur Wertschöpfung liegt in der Neugestaltung des gesamten Workflows, der Menschen, Prozesse und Technologie umfasst. Es reicht nicht, nur das Agenten-Tool zu betrachten. Erfolgreiche Implementierungen erfordern:
- Menschliche Kontrolle (Human-in-the-Loop): Menschen bleiben unverzichtbar. Sie müssen eingebunden werden, um die Einhaltung von Vorschriften zu gewährleisten, Urteilsvermögen einzusetzen und Grenzfälle und Anomalien zu behandeln. Bei wiederkehrenden Aufgaben sollte man einen menschlichen Kontrollpunkt (Human-in-the-loop) einbauen.
- Transparenz und Verifizierung: Angesichts der potenziellen Fehler (Hallucinations) müssen Unternehmen jeden Schritt des Agenten-Workflows verfolgen und verifizieren. Dies wird durch Frameworks wie AgentOps unterstützt, die eine systematische, automatisierte Methodik zur Sicherstellung von Zuverlässigkeit, Sicherheit und Leistung bieten.
Grounding: Die Basis der Glaubwürdigkeit
Um Halluzinationen und Ungenauigkeiten zu vermeiden, müssen Agenten geerdet werden.
- RAG (Retrieval-Augmented Generation): Dies ist die grundlegende Methode, bei der der Agent relevante Informationen aus einer externen Wissensbasis abruft (z. B. einer Vector Database) und diese als überprüfbaren Kontext für die Beantwortung verwendet.
- Agentic RAG: Die fortschrittlichste Form, bei der der Agent ein aktiver, denkender Teilnehmer am Abrufprozess ist. Er analysiert eine komplexe Abfrage, formuliert einen Plan und führt mehrere Tool-Aufrufe nacheinander aus, um die beste, fundierte Antwort zu finden.
Neue Herausforderungen für Regulierung und Ethik
Die Intransparenz großer Sprachmodelle (Alignment Problem) erfordert neue Governance-Strukturen. Zukünftige Märkte könnten digitale Institutionen erfordern, einschließlich:
- Agenten-Identität und Lizenzierung: Erstellung einer Infrastruktur zur Registrierung von KI-Agenten, um rechtliche Rechenschaftspflicht zu gewährleisten.
- Algorithmen und Kartellrecht: KI-Modelle können wettbewerbswidriges Verhalten auf algorithmische Weise implementieren (z. B. Preisabsprachen oder demütigende Platzierungen von Anbietern), was die Durchsetzung traditioneller Wettbewerbsgesetze erschwert.
Fazit: Zwischen Technologie-Euphorie und existenzieller Frage
Die Agenten-KI läutet eine Ära beispielloser Produktivität ein, indem sie die Lernkurve abflacht und die Arbeitserfahrung verbessert. Dennoch müssen wir erkennen, dass wir uns in einem Übergang befinden, der von grundlegenden ökonomischen Herausforderungen begleitet wird.
Kurzfristig entstehen neue Gatekeeper und bestehende Marktplätze werden disruptiert. Langfristig stellen die theoretischen Modelle zur AGI eine tiefgreifende Frage: Wenn Wachstum und Wertschöpfung primär durch Compute und nicht durch menschliche Arbeit angetrieben werden, bleibt unsere Arbeit zwar möglicherweise als “akzessorische” Tätigkeit erhalten, verliert aber ihre zentrale ökonomische Bedeutung.
Die Gestaltung dieses Übergangs – sei es durch robuste AgentOps zur Gewährleistung von Zuverlässigkeit oder durch die Entwicklung neuer politischer Mechanismen zur Verteilung des durch Compute generierten Einkommens – ist die entscheidende Aufgabe, die Ökonomen, Entwickler und politische Entscheidungsträger in den kommenden Jahren bewältigen müssen
Quellen (Auszug)
- Hadfield, G. K., & Koh, J. (2025). An Economy of AI Agents. Prepared for the NBER Handbook on the Economics of Transformative AI.
- (Quelle für die Definition von KI-Agenten, deren Fähigkeit zur autonomen Planung komplexer Pläne und das Beispiel des allgemeinen Ziels „Go make $1 million“.)
- Restrepo, P. (2025). We Wont be Missed: Work and Growth in the Era of AGI.
- (Quelle für das langfristige, theoretische ökonomische Modell der AGI-Ära, die Unterscheidung zwischen „Bottleneck Work“ und „Accessory Work“ und die Prognose, dass der Anteil der Arbeit am BIP gegen Null konvergiert.)
- Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.
- (Empirische Quelle für die Produktivitätssteigerung von 15 % bei Kundendienstmitarbeitern, die überproportionalen Vorteile für geringer qualifizierte Arbeiter und die Komprimierung des Qualifikationsgefälles.)
- Dell’Acqua, F., McFowland III, E., Mollick, E., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge-Worker Productivity and Quality. Working Paper 24-013, Harvard Business School.
- (Quelle, die belegt, dass BeraterInnen mit unterdurchschnittlicher Leistung dank GPT-4 ihre Abschlussquote bei bestimmten Aufgaben um 43 % steigerten.)
- Schwarze, M. (2025). Wie die eigenen KI-Assistenten im Team zusammenarbeiten. FAZ.NET.
- (Quelle für praktische Multi-Agenten-Workflows, die Zusammenarbeit von spezialisierten KI-Assistenten (“Penible Journalistin”, “Überschriftenchef Kai”) und die Notwendigkeit von Steuerungs-Plattformen (z. B. Typingmind, Crew AI).)
- Yao, S., Zhao, J., Yu, D., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. Published as a conference paper at ICLR 2023.
- (Quelle für die konzeptionelle Grundlage der Agenten-Orchestrierung über den Reasoning (Überlegung)- und Action (Handlung)-Zyklus.)
Unsere JobEvolution Mia aktualisiert
Die neuen Studien wurden jetzt unserem CustomGPT hinzugefügt. Unterhaltet Euch selbst gerne mit ihr.
