VOLXWIRTSCHAFT

Lange Zeit wurden die Debatten um die Auswirkungen der neuen KI-Technologien auf die Wirtschaft von der Erwartung einer deutlichen Beschleunigung des Wirtschaftswachstums und einer damit einhergehenden allgemeinen Wohlstandssteigerung geprägt. Seit der Veröffentlichung des Citrini Research Reports „The 2028 Global Intelligence Crisis“ (Citrini & Shah, 2026) scheint die Stimmung ins Gegenteil gekippt zu sein. Negative, wenn nicht gar dystopische Szenarien, dominieren in den öffentlichen Debatten und halten die Finanzmärkte in Atem. Solche Stimmungsumschwünge sind nicht ungewöhnlich und als Ausdruck eines permanenten Fehlerkorrekturprozesses auch begrüßenswert. Wie die tatsächliche Entwicklung verlaufen wird, ist heute noch nicht verlässlich absehbar. Im folgenden wird das Pro und Contra des Citrini Reports ergebnisoffen diskutiert. Im Wesentlichen kann der Report auf zwei Hypothesen verdichtet werden:

1. Zero-Complementarity Hypothese: Die neuen generativen KI-Technologien verhalten sich nicht komplementär (labor augmenting) sondern ausschließlich substitutiv (labor displacing) zu kognitiver menschlicher Arbeitskraft. Sie ermöglichen deshalb erstmals Wertschöpfungsketten, die ohne menschliche Arbeitskraft auskommen (posthumane Wertschöpfungsketten). Sie werden deshalb schon in den kommenden Jahren einen großen Teil kognitiver menschlicher Arbeitskraft ersetzen, so dass vor im White-Collar-Sektor Arbeitsplätze dauerhaft verloren gehen (Citrini & Shah, 2026, S. 8).
2. No-Natural-Brake Hypothese: Der Verlust von Arbeitsplätzen im White-Collar-Sektor wird zu einem deutlichen Rückgang der Lohnquote führen. Daraus resultiert dann ein starker Rückgang des Konsums, der einen typischen keynesianischen Nachfrageschock auslösen wird. In der Folge kommt es zu einem Rückgang der Güterproduktion und damit einhergehend zu einem weiteren Rückgang der Arbeitsnachfrage, der zu einem weiteren Verlust von Arbeitsplätzen führt. Im Gegensatz zum keynesianischen Modell, in dem der Rückgang des BIPs durch die einkommensunabhängige Güternachfrage (Investitionen, Staatskonsum, Nettoexporte) schließlich zum Stillstand kommt, unterstellt der Cintrini Report, dass eine solche „Bremse“ nicht existiert und das BIP unbegrenzt schrumpfen kann (Citrini & Shah, 2026, S. 19).

Die Entstehung posthumaner Wertschöpfungsketten

Die Hypothese der Nichtkomplementarität von generativer KI und menschlicher Arbeitskraft begründet der Citrini Report mit der Fortschreibung des aktuellen Trends des Zeitraums der autonomen Arbeitsfähigkeit von AI-Agenten (Schaubild: AI Agent Capability Scaling, (Citrini & Shah, 2026, S. 8)). Von Anfang 2024 bis Anfang 2026 stieg diese von weniger als 4 Minuten auf mehr als 4 Stunden an (ChatGPT 5.2). Ausgehend von diesem Trend wird dann ein weiter Anstieg auf bis zu 18 Tage bis zum Januar 2028 prognostiziert. Da die Ordinate des Schaubilds auf einer logarithmischen Skala beruht, impliziert dies einen stark exponentiellen Verlauf des tatsächlichen Zuwachses. Die Autoren kommentieren die Situation im Jahr 2028 wie folgt: „Künstliche Intelligenz ist mittlerweile eine allgemeine Intelligenz, die genau jene Aufgaben immer besser erledigt, die früher von Menschen übernommen wurden (Citrini & Shah, 2026, S. 8)“.

Quelle: Citrini & Shah, 2026, S. 8, „The 2028 Global Intelligence Crisis„

Der Citrini Report geht also davon aus, dass bis zum Jahr 2028 Nichtkomplementarität bei kognitiven Arbeiten erreicht ist. Dies ist eine empirische Hypothese, die derzeit weder verifiziert noch widerlegt werden kann. Der im Schaubild dargestellte empirische Zusammenhang bietet dafür eine gewisse Plausibilität, stellt aber sicherlich keine Verifikation dar. Die Autoren des Citrini Reports gehen davon aus, dass es am aktuellen Rand zunächst zu einem starken Rückgang der Nachfrage nach typischen „White Collar“ Arbeitern kommt. White-Collar Berufe sind typischerweise Berufe, in denen irgendeine Form von Informationsverarbeitung den Schwerpunkt bildet. Sehr viele informationsverarbeitende Tätigkeiten können heute bereits durch KI-Systeme, insbesondere KI-Agenten, ausgeführt werden. Allerdings gibt es je nach Qualifikationsprofil noch große Unterschiede.

• Ein hohes Substitutionspotential gibt es im Bereich von Routinetätigkeiten und Datenverarbeitung. So können KI-Agenten im Bereich Buchhaltung heute bereits die komplette Rechnungsverarbeitung, den Abgleich von Konten und das Mahnwesen eigenständig durchführen. Sie sind in der Lage Belege zu „verstehen“ und buchen sie direkt in Systeme wie SAP oder DATEV. Auch im Bereich von Einstiegspositionen für Finanzanalysten können KI-Agenten sehr weitgehend menschliche Arbeit übernehmen. Das Erstellen von Standard-Marktberichten oder die Prüfung von Kreditanträgen kann bereits zu einem Großteil von KI-Agenten erledigt werden. KI-Agenten können auch sehr weitgehend die typische Arbeit von Rechtsanwaltsgehilfen oder Notarfachangestellten übernehmen. Die Prüfung von Dokumenten auf bestimmte Klauseln, Widersprüche, Fehler oder Betrugsversuche dauert mit KI-Agenten nur Sekunden. In den genannten Bereichen mit hohem Substitutionspotential sind KI-Agenten bereits so produktiv, dass die Zahl von Einstiegspositionen für Berufsanfänger stark zurückgeht, wie empirische Studien zeigen (Brynjolfsson, Chandar, et al., 2025; IntuitionLabs, 2025).

• Ein mittleres Substitutionspotential besteht bei Tätigkeiten, bei denen KI-Agenten derzeit noch als Assistent auftreten. So können Softwareentwickler KI-Agenten wie Devin oder GitHub Copilot verwenden, um das Repository einer Software (ein digitaler Ordner der den Programmcode der Software enthält) auf Fehler zu prüfen und den Fehler selbständig zu korrigieren. Diese Agenten sind auch in der Lage, den Programmcode einer Software zu lesen, zu verstehen und dann eine Dokumentation der Software in natürlicher Sprache zu schreiben. Der Softwareentwickler kann den Agenten also die Programmierarbeit überlassen und sich auf die Konzeption der Systemarchitektur konzentrieren. Versicherungsmitarbeiter oder Banker können KI-Agenten zur Vorbereitung der Schadensregulierung oder Kreditvergabe einsetzen. Die Agenten bereiten die Entscheidung soweit vor, dass der Mitarbeiter am Ende nur noch die Entscheidung treffen muss. Im Bereich des Marketings können KI-Agenten die digitale Kontaktanbahnung auf der Basis von Kundendaten (Leads) übernehmen oder die Konzeption von Werbekampagnen optimieren. In den genannten Bereichen mit mittlerem Substitutionspotential sind KI-Agenten also noch nicht in der Lage die menschliche Arbeitskraft komplett zu ersetzen, aber sie erhöhen ihre Produktivität sehr stark und verändern dadurch den Tätigkeitsschwerpunkt. Wer in diesem Bereich arbeitet und keine KI-Agenten benutzen kann, verliert auf Dauer den Anschluss. Empirische Studien zeigen, dass Unternehmen dieser Bereiche, die KI-Agenten einsetzen, signifikante Produktivitätssteigerungen erzielen (McKinsey Global Institute, 2025). Gering qualifizierte Mitarbeiter profitieren von KI-Agenten sogar mehr als hoch qualifizierte Mitarbeiter. Es kommt also zu einem Nivellierungseffekt (Brynjolfsson, Li, et al., 2025).

• Ein geringes Substitutionspotential besteht derzeit bei White Collar Tätigkeiten im Bereich von Strategieplanung, zwischenmenschlicher Interaktion und Haftungsübernahme. So kann die typische Arbeit von Führungskräften im Bereich der Strategieplanung, Mitarbeiterführung und dem politischen Management komplexer Firmenstrukturen nicht von einem KI-Agenten ersetzt werden. Ebenso spielt im Bereich der Unternehmensberatung bei vielen Entscheidungen das persönliche Verhältnis zum Kunden eine wichtige Rolle. Im Bereich der Justiz können KI-Agenten keine Entscheidungsverantwortung übernehmen. Ebenso ist die Haftungsübernahme aus rechtlichen Gründen juristischen Personen vorbehalten.

Es zeigt sich also, dass KI-Systeme im Bereich von White-Collar Berufen bereits heute das Potential bieten, sehr viele menschliche Tätigkeiten zu ersetzen. Empirische Studien schätzen, dass aus gesamtwirtschaftlicher Sicht aktuell ca. 25% aller Arbeitsstunden in der US-Wirtschaft von KI-Agenten übernommen werden könnten – schwerpunktmäßig im White-Collar-Sektor (Briggs, 2026). Ob die Potentiale zur Substitution menschlicher Arbeit durch KI-Systeme zu einem Nettoverlust von Arbeitsplätzen führen, hängt wesentlich davon ab, ob menschliche Arbeitskraft in der gesamten Wertschöpfungskette substituiert werden kann. Solange die Beziehung noch in irgendeinem Glied der Wertschöpfungskette zur Herstellung eines Produkts komplementär ist, kann das KI-bedingte Produktivitätswachstum sogar zu einem Anstieg der Nachfrage nach Arbeitskräften führen. Ein solcher Effekt entspricht dem sogenannten „Rebound-Effekt“, den William Stanley Jevons in seinem 1865 erschienenen Werk „The Coal Question“ zum ersten Mal beschrieben hat: Obwohl die Produktivität von Kohle bei der Produktion von Bewegungsenergie durch Dampfmaschinen aufgrund der von James Watt erfundenen Verbesserungen stark anstieg, stellte Jevons fest, dass in der Folge nicht weniger Kohle sondern sehr viel mehr Kohle nachgefragt wurde. Seine Erklärung lautet: Die Verbilligung der Produktion von Bewegungsenergie führte dazu, dass immer mehr Unternehmen Dampfmaschinen zum Betrieb ihrer Produktionsanlagen einsetzen. Dieser Anstieg der Nachfrage nach Dampfmaschinen führte dann auch zu einem Anstieg der Nachfrage nach Kohle. In Jevons Beispiel liegt noch eine direkte komplementäre Beziehung in der Wertschöpfungskette zwischen Kohle und der Wattschen Dampfmaschine vor. Die Wattsche Dampfmaschine hat die Nachfrage nach Kohle je hergestellter Einheit Bewegungsenergie zwar reduziert aber sie hat Kohle nicht vollständig überflüssig gemacht. Derartige Beispiele finden sich auch für die Beziehung zwischen aktuell verfügbaren KI-Systemen und menschlicher Arbeit:

• Ein bekannter Fall ist die fehlgeschlagene Prognose des KI-Experten und Turing-Preis Gewinners Geoffrey Hinton aus dem Jahr 2016. Er prognostizierte damals, dass die von ihm wesentlich mitentwickelte Bilderkennungs-KI dazu führen wird, dass die Nachfrage nach Radiologen zurückgehen wird. Empirische Daten zeigen jedoch, dass die Anzahl der praktizierenden Radiologen bis zum Jahr 2025 auf ein Allzeithoch gestiegen ist, obwohl in der Zeit von 2015 bis 2025 der Einsatz von Bilderkennungs-KI in der Radiologie exponentiell gewachsen ist (Tan, 2025; Langlotz, 2025). In diesem Beispiel ist ein Radiologe noch immer notwendig aus Gründen der zwischenmenschlichen Interaktion mit dem Patienten und der Haftungsübernahme für den medizinischen Befund.

• Zu einem ähnlichen Ergebnis kommt eine Studie der American Bar Association aus dem Jahr 2025: Trotz einer Produktivitätssteigerung von rund 80% bei Standardaufgaben, wie Prüfung von Verträgen und Beantwortung von Rechtsfragen durch KI-Agenten stieg das Gesamtvolumen der nachgefragten Rechtsdienstleistungen um rund 25% an, da immer mehr kleine und mittlere Unternehmen, aber auch Privatpersonen, aufgrund der gesunkenen Preise Rechtsberatung nachfragen (American Bar Association, 2025). In diesem Beispiel sind menschliche Arbeitskräfte vor allem aus haftungsrechtlichen Gründen noch immer notwendig.

• Auch für den Bereich der Analyse von Unternehmensdaten ist bereits ein Rebound-Effekt in einer Studie von McKinsey (Yee, 2025) dokumentiert: Durch die enorme Zeitersparnis bei der Datenanalyse mit KI-Agenten hat sich die Analysetiefe verzehnfacht und wird dabei in Echtzeit durchgeführt. Deshalb ist es nicht zu einem Personalabbau von Datenanalysten gekommen, sondern sogar zu einem kräftigen Ausbau der Beschäftigung. In diesem Beispiel ist der Rückgriff auf menschliche Datenanalysten wahrscheinlich eher eine soziale Konvention als eine technische Notwendigkeit. Heute verfügbare KI-Systeme können Rechercheaufträge in natürlicher Sprache auch ohne einen menschlichen Übersetzer entgegennehmen. Dieses Beispiel verdeutlicht, wie fragil die verbleibende Komplementarität zwischen KI-Systemen und menschlicher Arbeitskraft in manchen Bereichen geworden ist.

• In der Softwareentwicklung ist prinzipiell ebenfalls ein Rebound-Effekt möglich: Wie im Citrini Report z.B. beschrieben, können KI-Codierungsagenten schon heute brauchbare Alternativen zu Standardsoftware von SAP oder Salesforce programmieren (Citrini & Shah, 2026, S. 3). Das könnte dazu führen, dass auch kleine und mittlere Unternehmen Software-as-a-Service Produkte von Softwareunternehmen kündigen und mit Hilfe von KI-Agenten die Software im eigenen Unternehmen zu einem günstigeren Preis programmieren lassen. Unter heutigen Bedingungen ist dazu aber noch eine menschliche Arbeitskraft notwendig, die die KI-Agenten kontrolliert und letztlich die Haftung für eine den gesetzlichen Anforderungen entsprechende Buchhaltung übernimmt. Selbst im Extremfall, wenn SAP schließen würde und alle seine rund 35 000 Softwareentwickler entlassen müsste, würde die Nachfrage nach Arbeitskräften mit der Fähigkeit zur AI-basierten Softwareentwicklung bei den rund 400 000 Unternehmenskunden von SAP, die dann ihre Software selbst produzieren würden, steigen. Es ist also durchaus möglich, dass die Nachfrage nach Softwareentwicklern per Saldo steigt. In diesem Beispiel ist der Rückgriff auf menschliche Softwareentwickler ebenfalls vor allem aus haftungsrechtlichen Gründen noch notwendig.

Wie die Beispiele zeigen, hängt derzeit die Komplementarität zwischen KI-Systemen und menschlichen Arbeitskräften von der Notwendigkeit zu zwischenmenschlicher Interaktion und der Haftungsübernahme ab. Ob zwischenmenschliche Interaktion jemals von KI-Systemen substituiert werden kann, kann man sicherlich mit guten Gründen bezweifeln. Eine vollständige Haftungsübernahme durch der Hersteller eines KI-Systems, etwa in Zusammenarbeit mit einem Versicherungsunternehmen, ist jedoch durchaus vorstellbar. Je zuverlässiger KI-Systeme werden, desto geringer wird das Risiko, so dass am Ende ein für Versicherungen übliches Restrisiko resultiert. Die Kalkulation des Schadensrisikos und der Versicherungsprämien dürfte ebenfalls von KI-Systemen übernommen werden können. Das Auftreten von Rebound-Effekten ist also aus heutiger Sicht durchaus noch möglich. Ob sie ausreichen werden, um einen Rückgang der Gesamtnachfrage nach White-Collar Arbeitern zu verhindern, ist jedoch bezweifelbar. Die Autoren des Citrini Reports gehen jedenfalls davon aus, dass im Jahr 2028 kognitive menschliche Arbeitskraft zu 100% durch KI-Systeme substituierbar sein wird. Sollte es tatsächlich zu derartigen „posthumanen Wertschöpfungsketten“ im White-Collar-Sektor kommen, wird es vermutlich zu einem starken Anstieg des Angebotes von ehemaligen White-Collar-Arbeitskräften im Blue-Collar-Sektor geben. Die Löhne im Blue-Collar-Sektor würden dann also tendenziell sinken, auch wenn es noch keine physischen KI-Systeme (humanoide Roboter) gäbe, die physische menschliche Arbeitskraft weitgehend ersetzen können. Im White-Collar-Sektor würden die Löhne also mit den Arbeitsplätzen wegfallen und im Blue-Collar-Sektor würden die Löhne sinken. Es käme also tatsächlich zu einem Einbruch Lohnquote und einem starken Anstieg der Kapitalquote (=Gewinnquote) am BIP.

Kann das BIP ungebremst schrumpfen?

Folgt man der 2. Hypothese des Citrini Reports, dann wird sich der Rückgang der Lohnquote in einem starken Rückgang des Konsumquote niederschlagen, da der Konsum in den USA derzeit vor allem von den Einkommen der White-Collar-Arbeitskräfte getragen wird. Der daraus resultierende Rückgang der Konsumnachfrage, wird, wie in typischen keynesianischen Makromodellen der kurzen Frist, zu einer Anpassung der Güterproduktion an die niedrigere Nachfrage führen, welche dann weitere Entlassungen von Arbeitskräften zur Folge hat. Die Arbeitslosigkeit steigt also weiter an und der Konsum der entlassenen Arbeitskräfte sinkt ebenfalls. Aus diesem abermaligen Rückgang des Konsums leiten die Autoren des Citrini-Reports dann einen weiteren Rückgang der Produktion mit weiteren Entlassungen von Arbeitskräften ab. Aus ihrer Sicht entsteht dann ein Teufelskreislauf, der durch keinen gegenläufigen Mechanismus abgebremst wird (Citrini & Shah, 2026, S. 9). Daraus schlussfolgern sie, dass nur staatliche Transfers an die Haushalte, finanziert durch eine Besteuerung der Wertschöpfung von KI-Unternehmen, einen völligen Zusammenbruch der Wirtschaft verhindern können (Citrini & Shah, 2026, S. 19).

Quelle: Citrini & Shah, 2026, S. 19, „The 2028 Global Intelligence Crisis„

Es ist diese „Todesspirale“, die dem Citrini Report seinen dystopischen Charakter verleiht. Dabei übersehen die Autoren jedoch einen wichtigen Sachverhalt: Während der Konsum der privaten Haushalte, C(Y-T), tatsächlich vor allem von ihrem verfügbaren Einkommen abhängt, das im wesentlichen dem BIP, Y, minus der Nettosteuerlast, T, entspricht, gilt dies für andere Komponenten der BIP-Nachfrage (Investitionen, Staatskonsum, Nettoexporte) nicht. Vor allem der Staatskonsum, G, wird weniger von ökonomischen als von politischen Faktoren beeinflusst. In Konjunkturkrisen steigen in der Regel die staatlichen Sozialausgaben, wodurch die Nettosteuerlast, T, sinkt und die Kreditfinanzierung des Staates steigt, so dass in Krisen kurzfristig ein automatisch stabilisierender Effekt vom Staat ausgeht. Die Bruttoinvestitionen der Unternehmen, I(i, E(r)), werden vom Kapitalmarktzins, i, und den Ertragserwartungen, E(r), der Unternehmen bestimmt. Wie der Citrini Report selbst an mehreren Stellen (Citrini Report, 2026, S. 10/21, 18/21, 19/21) postuliert, werden die Investitionen steigen, weil die Ertragserwartungen der Unternehmen, E(r), aufgrund der Profitabilität der neuen KI-Systeme steigen. Trotzdem vernachlässig der Citrini Report die Auswirkung der Investitionen auf die Güternachfrage bei der Begründung der No-Natural-Brake-Hypothese. Die Begründung der No-Natural-Brake-Hypothese ist deshalb nicht widerspruchsfrei: Einerseits wird behauptet, dass die Güternachfrage ungebremst implodiert und andererseits wird behauptet, dass gleichzeitig eine wichtige Komponente der Güternachfrage steigt.

Ein weiterer Schwachpunkt des Citrini Reports ist die Fokussierung auf die kurze Frist, in der sich das BIP-Angebot der Unternehmen an der Höhe der BIP-Nachfrage orientiert (Keynes‘ Law). Sobald die Unternehmen auf den Nachfragerückgang mit einer Senkung ihrer Preise reagieren (nach empirischer Erfahrung ein Zeitraum von etwa einem Jahr), stabilisiert sich die Güternachfrage, da die Kaufkraft des Geldes steigt. In einem Umfeld starker innovationsgetriebener Investitionen wächst der Kapitalstock einer Volkswirtschaft und mit ihm das Produktionspotential, so dass die Preise weiter sinken. Auch Haushalte mit niedrigem Nominaleinkommen – einschließlich solcher, deren Einkommen ausschließlich aus staatlichen Transferleistungen besteht – haben dann aufgrund der rückläufigen Preise ein stetig wachsendes Realeinkommen. Unter diesen Bedingungen gilt Says‘ Law: Das Güterangebot schafft sich seine eigene Nachfrage.

Fazit

Trotz dieser Probleme in der makroökonomischen Argumentation kommt dem Citrini Report zweifelsfrei das Verdienst zu, die Aufmerksamkeit auf die Schwierigkeiten des Übergangs zu einer Ökonomie gelenkt zu haben, in der menschliche Arbeit weitgehend durch KI-Systeme substituiert werden kann. Wie die Wirtschaftsgeschichte zeigt, können disruptive Innovationen, die eine Substitution menschlicher Arbeitskraft durch Maschinen in bestimmten Wirtschaftssektoren ermöglichen, Volkswirtschaften zunächst unter erheblichen Anpassungsdruck setzen. Die Erfindung der Kombination aus mechanischem Webstuhl und Dampfmaschine, die den Beginn der industriellen Revolution in Gang setzte, machte zunächst hunderttausende Handweber arbeitslos. Im Verlauf der Zeit wurden diese Verluste jedoch überkompensiert durch die Entstehung neuer Arbeitsplätze in dampfbetriebenen Fabriken und im Bergbau. Letzteres setzt allerdings voraus, dass durch den Einsatz dieser Maschinen entweder eine direkte (dampfbetriebene Fabriken) oder indirekte (Bergbau) Nachfrage nach menschlichen Arbeitskräften in anderen Wirtschaftsbereichen entsteht. Wenn jedoch durch den Einsatz von KI-Systemen in der gesamten Wertschöpfungskette zur Herstellung eines Produktes keine menschliche Arbeitskraft mehr benötigt wird, fällt Nachfrage nach menschlichen Arbeitskräften weg, ohne dass an anderer Stelle eine neue Nachfrage nach Arbeitskräften resultiert. So wie es heute keine Wertschöpfungsketten mehr gibt, in denen Dampfmaschinen vorkommen, obwohl diese einmal unverzichtbar waren, kann es also auch Wertschöpfungsketten geben, in denen keine Menschen vorkommen, obwohl diese einmal unverzichtbar waren. Der Citrini Report geht davon aus, dass solche posthumanen Wertschöpfungsketten im Bereich des White-Collar-Sektors schon in wenigen Jahren möglich sein werden. Diese Hypothese kann derzeit zwar weder widerlegt noch verifiziert werden, aber sie ist angesichts der sich abzeichnenden Entwicklung sicherlich nicht unrealistisch. Es ist also durchaus möglich, dass es sich bei den neuen KI-Technologien zum ersten Mal in der Wirtschaftsgeschichte um Innovationen handelt, die per Saldo zu Arbeitsplatzabbau führen.

Für die Wirtschaftspolitik würden aus dieser Entwicklung zwei Probleme resultieren: Ein makroökonomisches Stabilisierungsproblem und ein längerfristiges Finanzierungsproblem im Bereich der sozialen Sicherungssysteme. Das makroökonomische Stabilisierungsproblem, resultiert aus dem möglichen Verlust von Arbeitsplätzen im White-Collar-Sektor, der zunächst zu einem schockartigen Rückgang des Konsums der Haushalte führt. Es handelt sich also um ein typisches Szenario, das aus der keynesianischen Konjunkturtheorie bekannt ist. Im Citrini Report wird daraus fälschlicherweise ein Teufelskreislauf, der durch keinen gegenläufigen Mechanismus gebremst wird. In der Realität verhindern jedoch einkommensunabhängige Nachfragekomponenten wie Bruttoinvestitionen und Staatskonsum eine solche endlose Abwärtsspirale. Das spricht dafür, dass auf diesen Nachfrageeinbruch mit den bekannten konjunkturpolitischen Instrumenten reagiert werden kann: Senkung des Notenbankzinses zur Stärkung der Investitionen und Flankierung dieser Politik durch weitere staatliche Investitionsanreize wie Abschreibungserleichterungen. Gleichzeitig wirken die sozialen Sicherungssysteme in solchen Situationen als automatisches Stabilisierungsinstrument.

Die sozialen Sicherungssysteme könnten aber aufgrund des Anstiegs struktureller Arbeitslosigkeit längerfristig unter Druck geraten. Sollten immer mehr Wertschöpfungsketten im White-Collar-Sektor ohne menschliche Arbeitskraft auskommen, werden White-Collar Arbeitskräfte in den Blue-Collar-Sektor drängen. Wenn die Löhne dort aufgrund von Tarifverträgen oder Mindestlöhnen nicht genügend flexibel sind, kann sich strukturelle Arbeitslosigkeit chronifizieren. Der Staat müsste dann längerfristig die Finanzierung des Existenzminimums für eine große Zahl von Arbeitslosen übernehmen. Die Autoren des Citrini Reports schlagen dazu eine zusätzliche Besteuerung der Wertschöpfung im Bereich der KI-Inferenz vor (Citrini & Shah, 2026, S. 19). Für die USA, auf die sich der Citrini Report bezieht, mag eine Sonderbesteuerung der Wertschöpfung im Bereich der KI-Inferenz tatsächlich ein gangbarer Weg sein, da die großen KI-Unternehmen dort niedergelassen sind. Sollten diese Unternehmen aufgrund ihrer Größenvorteile auch langfristig die führenden Anbieter von KI-Technologien bleiben, könnten Sie mit ihren Produkten möglicherweise die White-Collar-Sektoren der gesamten Weltwirtschaft absorbieren. Länder ohne eigene KI-Unternehmen hätten dann nur die Möglichkeit, Importzölle auf den Bezug von KI-Dienstleistungen zu erheben. Diese wirken sich jedoch zum größten Teil zu Lasten der Wettbewerbsfähigkeit heimischer Unternehmen aus. Eine andere Möglichkeit wäre die Einrichtung von Staatsfonds, die bereits heute in ein Portfolio der Aktien führender KI-Unternehmen investieren, um sich für den Fall abzusichern, dass diese Unternehmen zukünftig immer größere Teile der globalen Wertschöpfung übernehmen. Sollte dieser Fall eintreten, wäre mit erheblichen Wertsteigerungen solcher Portfolios zu rechnen. Die mit diesen Fonds erzielten Einnahmen könnten dann zur Finanzierung der sozialen Sicherungssysteme verwendet werden. Noch ist es Zeit, um derartige Strategien zu diskutieren und vorzubereiten. Sie sollte genutzt werden.

Literaturverzeichnis

American Bar Association. (2025, Juli–August). Jevons paradox and the legal profession: When efficiency breeds demand. Law Practice Magazine. https://www.americanbar.org/groups/law_practice/resources/law-practice-magazine/2025/july-august-2025/jevons-paradox-and-the-legal-profession-when-efficiency-breeds-demand/

Briggs, J. (2026, März). How will AI affect the US labor market? Goldman Sachs Research. https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-us-labor-market

Brynjolfsson, E., Chandar, B. & Chen, R. (2025, 13. November). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab Working Paper. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/

Brynjolfsson, E., Li, D. & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Citrini & Shah, A. (2026, 22. Februar). The 2028 global intelligence crisis. Citrini Research. https://www.citriniresearch.com/p/2028gic

IntuitionLabs. (2025). AI’s impact on graduate jobs: A 2025 data analysis. IntuitionLabs. https://intuitionlabs.ai/articles/ai-impact-graduate-jobs-2025

Jevons, W. S. (1865). The coal question: An inquiry concerning the progress of the nation, and the probable exhaustion of our coal-mines. Macmillan.

Langlotz, C. P. (2025, 22. Dezember). The effect of AI on the radiologist workforce: A task-based analysis. medRxiv. https://doi.org/10.64898/2025.12.20.25342714

McKinsey Global Institute. (2025, November). The state of AI in 2025: Agents, innovation, and transformation. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

Yee, L. (2025, 25. November). Agents, robots, and us: Skill partnerships in the age of AI. McKinsey Global Institute. https://www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai Tan, G. (Moderator). (2025, 14. Oktober). What everyone is getting wrong about AI and jobs [Video]. Y Combinator. YouTube. https://youtu.be/IqwSb2hO1jE