Die letzten 10 %: Warum KI-Exponierung keine Entlassungsprognose ist

Alle stellen die falsche Frage zu KI und Ihrem Job. Die Schlagzeile sagt, Ihre Rolle sei "zu 90 % automatisierbar" – und Ihnen rutscht das Herz in die Hose. Doch hier ist, was die Daten tatsächlich nahelegen: Wenn eine Maschine 90 % Ihrer Arbeit übernimmt, muss trotzdem noch jemand die letzten 10 % erledigen. Und genau dieses letzte Stück könnte der wertvollste, menschlichste und sicherste Teil Ihrer gesamten Karriere sein.

Das ist die Kernthese eines neuen Essays des Ökonomen Joshua Gans von der Rotman School der University of Toronto, veröffentlicht im Juli 2026 von der Economic Innovation Group. [Fakt] Gans greift den inzwischen berühmten Satz auf – dass KI 90 % dessen automatisieren könnte, was wir tun – und macht daraus keine Untergangsschlagzeile, sondern eine ökonomische Frage, die es wert ist, beantwortet zu werden.

Technologie verändert Aufgaben, nicht Berufsbezeichnungen

Beginnen wir mit einer Korrektur, die alles verändert. [Behauptung] Technologie löscht selten einen ganzen Beruf mit einem Schlag. Sie verändert wer – oder was – bestimmte Tätigkeiten innerhalb dieses Berufs ausführt. Ihr Job ist ein Bündel von Aufgaben, und KI kommt Aufgabe für Aufgabe, nicht Titel für Titel.

Deshalb ist "Ist mein Job sicher?" fast die falsche Frage. [Fakt] Gans, aufbauend auf dem aufgabenbasierten Rahmenwerk der Ökonomen Daron Acemoglu und Pascal Restrepo, argumentiert, die eigentlich nützliche Frage sei enger gefasst: Welche Aufgaben werden automatisiert, und was geschieht mit denen, die übrig bleiben? Zwei Arbeitnehmer mit derselben Berufsbezeichnung können völlig unterschiedlichen Zukünften entgegensehen, je nachdem, wie die automatisierbaren Aufgaben über ihre Arbeitswoche verteilt sind.

Nehmen Sie einen Buchhalter. Übernimmt KI die routinemäßige Buchführung und den Kontenabgleich, bleiben Ausnahmebehandlung, Ermessensentscheidungen und Kundengespräche übrig – die fachkundigen 10 %. Hätte KI stattdessen die Kundenbeziehungsarbeit übernommen und die Dateneingabe übrig gelassen, wäre die Geschichte umgekehrt. Gleicher Titel, entgegengesetztes Ergebnis.

Dieselbe Logik gestaltet den Alltag eines Rechtsanwaltsfachangestellten um. Automatisieren Sie die Dokumentensuche und Zitatprüfung, und was bleibt, ist Fallstrategie, Mandantenaufnahme und das Urteilsvermögen darüber, was tatsächlich zählt – Arbeit, die schwerer, nicht leichter an eine Maschine abzugeben ist. Eine hohe Exponierungszahl sagt Ihnen mit anderen Worten nichts darüber, welcher dieser beiden Zukünfte Sie entgegengehen.

Wenn 90 % verschwunden sind, wer macht die letzten 10 %?

Hier liegt der Dreh- und Angelpunkt. [Fakt] Gans formuliert die 90-%-Behauptung als echte Frage um: Unter welchen Bedingungen werden die letzten 10 % wertvoller – im Gegensatz dazu, dass einfach weniger Menschen gebraucht werden?

Es gibt mindestens vier Gründe, warum die letzten 10 % wachsen können, statt zu verschwinden.

Fokuseffekte. [Schätzung] Wenn Routinearbeit verschwindet, fließt die freigewordene Aufmerksamkeit zu den schwierigen Teilen. Ein Radiologe, von routinemäßiger Triage entlastet, kann mehr Zeit auf die wirklich schwierigen, mehrdeutigen Fälle verwenden – jene, bei denen eine übersehene Diagnose ein Leben verändert. Die verbleibende Arbeit überlebt nicht nur; sie wird besser.

Neukalibrierung von Expertise. [Behauptung] Ob Automatisierung Routineaufgaben oder Expertenaufgaben entfernt, entscheidet alles. Streicht man das Routinehafte, steigt die Expertenschwelle – weniger Arbeitnehmer, aber besser bezahlt und schwerer zu ersetzen. Streicht man den Expertenengpass, sinkt die Schwelle, und das Feld öffnet sich für mehr Menschen. Die Richtung steht nicht von vornherein fest.

Organisatorische Neugestaltung. [Schätzung] Firmen bündeln neu. Überlebende Aufgaben werden zu breiteren Rollen neu kombiniert oder in neue Spezialistenpositionen ausgegliedert – man denke an "KI-Modell-Governance" als aufkommendes Segment klinischer und juristischer Arbeit, das es als Job zuvor schlicht nicht gab.

Nachfrageelastizität. [Fakt] Wird eine Dienstleistung günstiger und besser, kaufen die Leute mehr davon. Bankangestellte sind der klassische Fall: Geldautomaten automatisierten die routinemäßige Bargeldabwicklung, doch die Beschäftigung von Bankangestellten brach nicht zusammen – Banken eröffneten mehr Filialen und gestalteten die Rolle um. Niedrigere Kosten weiteten die Nachfrage aus, und Nachfrage weitete die Arbeit aus.

Doch Gans ist ehrlich über den anderen Weg. [Fakt] Ein Anwalt, dessen Dokumentenprüfung zu 90 % automatisiert ist, könnte am Ende schlicht weniger juristische Arbeit zu erledigen haben – und Kanzleien brauchen weniger Anwälte dafür. Die letzten 10 % schützen Sie nur, wenn Nachfrage, Bündelung und Expertise zu Ihren Gunsten zusammenspielen. Das Ergebnis ist wirklich ungewiss, und genau diese Ungewissheit ist der Punkt.

Ein Exponierungswert ist eine Startlinie, keine Prognose

Das ist die nützlichste Idee des Essays für alle, die eine beängstigende Statistik über ihren Beruf lesen. [Fakt] Ein KI-"Exponierungs"- oder "Anwendbarkeits"-Wert sagt Ihnen, wo eine Technologie einen Job berühren kann. Er sagt Ihnen nicht, wie viele Menschen zu welchem Lohn welche Arbeit verrichten werden.

[Behauptung] Um eine Exponierungszahl in ein tatsächliches Beschäftigungsergebnis zu übersetzen, muss man Dinge untersuchen, die Lohndaten verbergen:

• Sind die exponierten Aufgaben nebensächlich, fachkundig oder echte Engpässe?
• Hebt oder senkt Automatisierung die Zugangshürde?
• Verbessert freigewordene Aufmerksamkeit die Qualität dessen, was übrig bleibt?
• Werden Firmen Aufgaben zu breiten Rollen neu bündeln oder in enge Spezialgebiete aufteilen?
• Wird günstigere, bessere Dienstleistung die Nachfrage genug ausweiten, um die Einstellungstätigkeit aufrechtzuerhalten?

[Schätzung] Gans warnt, dass durchschnittliche Exponierung die Architektur eines Jobs verbergen kann. Zwei Berufe mit identischen Exponierungswerten können völlig unterschiedliche Schicksale haben, weil die Exponierung an verschiedenen Stellen im Aufgabenbündel sitzt. Und Lohnaufzeichnungen übersehen die stillen Verschiebungen: Ein Softwareentwickler, dessen KI-Assistent die Dokumentationszeit verkürzt, zeigt möglicherweise überhaupt keine Lohnveränderung, während sich Beschaffenheit, Intensität und Zusammensetzung der Arbeit tatsächlich verwandelt haben.

Sein Fazit verdient es, an den Monitor geklebt zu werden: "Ein Exponierungswert ist ein Ausgangspunkt für diese Fragen, nicht die Antwort."

Was das für Ihre Karriere bedeutet

Wenn Sie eine Sache aus Gans' Essay mitnehmen, dann diese: Ein hoher Exponierungswert ist eine Einladung zur Untersuchung, kein Urteil, das Sie hinnehmen müssen.

Betrachten Sie Ihre eigene Arbeitswoche als Bündel von Aufgaben. Welche Teile sind routinehaft genug, damit KI sie übernimmt? Was würde übrig bleiben? Ist der Rest die fachkundigen 10 %, die wertvoller werden, wenn das Routinehafte wegfällt – das Urteilsvermögen, die Beziehungen, die mehrdeutigen Entscheidungen – oder ist es Arbeit, die auch schrumpft, wenn das Volumen sinkt? Diese ehrliche Bestandsaufnahme sagt Ihnen mehr, als jede Prozentzahl in einer Schlagzeile es je könnte.

Und beachten Sie das darin verborgene Timing. [Behauptung] Das Zeitfenster für Umschulung öffnet sich vor dem Zeitfenster für Entlassungen. Die aufgabenweise Natur von KI bedeutet, dass Veränderung schrittweise ankommt, eine Tätigkeit nach der anderen – und genau das ist der Spielraum, den Sie haben, um sich in Richtung der fachkundigen 10 % zu bewegen, während sie sich noch formen. Auf unseren Berufsseiten sehen Sie, welche konkreten Aufgaben in Ihrem Feld die höchste KI-Exponierung tragen – und genau dort beginnt die Strategie für die letzten 10 %.

Die Zahl im Diagramm ist nicht Ihr Schicksal. Sie ist die erste Zeile einer Frage, die nur Sie zu Ende beantworten können – mit Mut statt mit Angst.

Quellen

• Joshua Gans, "The Last Ten Per Cent: How task-level AI exposure fits into a jobs forecast," Economic Innovation Group, Juli 2026. Arbeitspapier (PDF) · Analyse: agglomerations.eig.org/p/the-last-ten-per-cent

Update-Historie

• 2026-07-21 — Erstveröffentlichung. Zusammenfassung und Analyse von Joshua Gans' Rahmenwerk zur aufgabenbasierten Exponierung und der "letzten 10 %"-These.

---

KI-gestützte Analyse. Dieser Artikel wurde mit KI-Unterstützung entworfen und von einem menschlichen Redakteur geprüft. Die 90-%/10-%-Rahmung und die sechs Untersuchungsdimensionen stammen aus Joshua Gans' Essay vom Juli 2026 für die Economic Innovation Group; die Interpretation für Arbeitnehmer ist unsere eigene.