Berufsanfänger nutzen KI am intensivsten

Vorgestern haben wir über eine Ifo-Umfrage geschrieben, nach der Unternehmen sinkende Löhne erwarten, am deutlichsten für Berufsanfänger. Fast zeitgleich ist ein Arbeitspapier erschienen, das aus derselben Berufsgruppe eine ganz andere Zahl meldet: Berufseinsteiger sind die intensivsten KI-Nutzer im Unternehmen.

Die Schlagzeilen daraus lauteten sinngemäß, die Daten widerlegten das Narrativ, KI treffe zuerst die Jüngsten. Wir haben das Papier gelesen. Es widerlegt nichts, und an zwei Stellen stehen dort andere Zahlen als in der Berichterstattung.

Was tatsächlich gemessen wurde

Ausgewertet wurden Nutzungsdaten aus ChatGPT Enterprise, verknüpft mit Stellenbezeichnungen, Aufgabenklassifikationen und, für börsennotierte US-Firmen, mit Finanzdaten aus Compustat. Die Stichprobe für die Auswertung nach Beschäftigtengruppen umfasst 1.764 Organisationen und 17.446.551 Nachrichten, jeweils sechs Monate nach Einführung im Unternehmen. Die Daten reichen bis März 2026.

Wichtig für die Einordnung ist, wer das geschrieben hat. Von den fünf Autoren arbeiten drei bei OpenAI. Die beiden externen, David Holtz von der Columbia Business School und Prasanna Tambe von der Wharton School, haben laut Fußnote auf Seite eins als bezahlte Auftragnehmer für OpenAI an der Arbeit mitgewirkt. Es handelt sich außerdem um ein Working Paper mit dem ausdrücklichen Hinweis, dass die Ergebnisse sich noch ändern können.

Das macht die Arbeit nicht wertlos. Es sind echte Nutzungsdaten in einer Größenordnung, die sonst niemand vorlegen kann, und die Autoren gehen mit den Grenzen ihrer Daten offen um. Aber es ist OpenAIs Studie über OpenAIs Produkt, und das gehört dazugesagt.

Die Zahl zur Seniorität, und was daraus gemacht wurde

Der Befund im Papier steht in Abschnitt 4.3 und lautet: Berufseinsteiger und Auszubildende senden etwa acht bis neun Nachrichten pro Woche mehr als der durchschnittliche aktive Nutzer im selben Unternehmen. Manager, Direktoren und Führungskräfte senden weniger. Die Autoren nennen das einen deutlichen negativen Senioritätsgradienten.

In mehreren Aufgriffen wurde daraus, Berufseinsteiger schickten 13 Nachrichten pro Woche mehr als Führungskräfte. Diese Zahl steht nicht in dem Papier. Der Vergleichsmaßstab ist auch ein anderer: nicht die Führungsebene, sondern der Durchschnitt aller aktiven Nutzer derselben Firma.

Und die Autoren schränken ihren eigenen Befund im selben Absatz ein:

message volume should be interpreted as a measure of usage intensity rather than as a complete measure of economic importance

Nachrichtenvolumen misst also, wie intensiv jemand das Werkzeug bedient. Es misst nicht, was dabei herauskommt. Genau diesen Schritt macht die Berichterstattung, wenn sie aus "die Jüngeren tippen am meisten" ein "die Jüngeren sind also nicht gefährdet" formt.

Es gibt noch einen zweiten Befund zur Nutzungsintensität, der seltener zitiert wird: Analysten sowie Marketing- und Kommunikationsleute senden mehr Nachrichten als der Durchschnitt ihrer Firma, während Vorstände, Gründer und Partner darunter liegen. Wer viel tippt, ist also die Gruppe, die ausführt.

Warum das kein Widerspruch zur Ifo-Umfrage ist

Die beiden Erhebungen messen verschiedene Dinge, und das ist der ganze Trick.

Beides kann gleichzeitig stimmen, und wahrscheinlich stimmt es das auch. Die Gruppe, die am stärksten mit dem Werkzeug arbeitet, ist die, für die dieselben Arbeitgeber sinkende Löhne für plausibel halten. Das ist keine Entwarnung, sondern die genauere Beschreibung des Problems.

Denn beide Zahlen zeigen in dieselbe Richtung, wenn man sie zusammen liest: Wer am Anfang steht, macht die Arbeit, die sich gut an ein Modell delegieren lässt. Deshalb tippt er viel, und deshalb wird sein Beitrag schwerer zu begründen. Das deckt sich mit dem, was wir im Ifo-Artikel geschrieben haben: Der Einstieg über reine Ausführung schließt sich, der Weg über Urteilsvermögen bleibt offen.

Der Befund, der in unserem Umfeld am meisten aussagt

Über die Aufgaben hinweg ergibt sich ein Bild, das für IT-Teams vertraut sein dürfte. Mehr als die Hälfte der aktiven Nutzer erledigt mindestens einmal pro Woche Dokumentations- oder Technical-Writing-Aufgaben, knapp die Hälfte technische Digitalarbeit. Dazu kommen Nachrichtenentwürfe, Themenüberblicke, Recherche, Planung, Rechtsfragen, Datenanalyse und Steuerthemen.

Interessanter ist die Unterscheidung, die das Papier daneben zieht. Reichweite und Nutzungstiefe sind zwei verschiedene Dinge. Manche Aufgaben erreichen viele Beschäftigte, machen aber wenig Nachrichtenvolumen aus, etwa Rechts- und Steuerfragen oder Marktrecherche. Andere, allen voran Dokumentation und technische Arbeit, dominieren das Volumen. Dazu kommt ein erheblicher Rest, der in keine der großen Kategorien passt.

Für die Frage, wo KI im eigenen Team wirklich sitzt, ist das die brauchbarere Perspektive als jede Gesamtzahl: Ein Werkzeug kann wichtig sein, weil es viele Leute gelegentlich benutzen, oder weil wenige es ständig benutzen. Das sind unterschiedliche Situationen, und sie brauchen unterschiedliche Antworten.

Die Spreizung zwischen den Unternehmen

Der Teil der Arbeit, der am wenigsten diskutiert wird, ist womöglich der folgenreichste. Für börsennotierte US-Firmen haben die Autoren verglichen, wie sich Unternehmen mit ChatGPT Enterprise von denen ohne unterscheiden. Die Medianwerte für 2024:

Die häufig zitierte Formel vom "Zehnfachen" trifft es ungefähr für Umsatz und Forschungsausgaben, beim Marktwert liegt der Faktor eher bei sechzehn.

Die Autoren ziehen daraus eine Folgerung, die im Papier ausdrücklich steht und in keiner Zusammenfassung auftauchte, die wir gesehen haben: Die Verbreitung könnte bestehende Unterschiede zwischen Firmen zunächst verstärken. Wenn größere Unternehmen früher einsteigen und besser in der Lage sind, die Technik in ihre Abläufe einzubauen, wachsen die Produktivitätsunterschiede, obwohl die Modelle für alle verfügbar sind.

Das ist für den DACH-Mittelstand die relevantere Nachricht als jede Zahl über Berufsanfänger. Zugang zum Modell ist nicht der Engpass. Der Engpass ist die Fähigkeit, es in bestehende Arbeit einzubauen, und die hängt an Dingen, die man nicht kaufen kann.

Was die Autoren selbst dazusagen

Die Einschränkungen im Schlussteil sind ungewöhnlich ausführlich, und sie treffen genau die Punkte, an denen sich die Studie sonst überdehnen ließe. Gemessen wird ausschließlich die Nutzung von ChatGPT Enterprise, nicht die anderer KI-Systeme, nicht API-gestützte Werkzeuge, nicht selbst gebaute Anwendungen und nicht private Konten. Die Stellenbezeichnungen sind unvollständig und liefern keine Bezugsgröße dafür, wie viele Menschen in einer Rolle überhaupt arbeiten. Die Aufgabenauswertung misst Nachrichteninhalte, keine Arbeitsergebnisse und keine Produktivität. Und die Finanzauswertung deckt nur eine ausgewählte Teilmenge US-amerikanischer Unternehmen ab.

Der Satz, mit dem die Autoren schließen, ist derselbe, den die Schlagzeilen weggelassen haben:

The rapid adoption of generative AI by firms should therefore not be equated with immediate productivity transformation

Übernahme ist erst der Anfang der Einführung. Firmen entscheiden gerade nicht mehr, ob sie generative KI einsetzen, sondern wo im Arbeitsablauf sie eigentlich hingehört. Das ist ein Lernprozess, und er ist noch früh.

Wer die Studie gegen die Ifo-Zahlen ausspielen will, findet dafür also im Papier keine Grundlage. Was er findet, ist eine sehr genaue Beschreibung davon, wie ungleichmäßig diese Technik gerade in Unternehmen ankommt: zwischen Firmen, zwischen Abteilungen und zwischen Erfahrungsstufen.