Studie · Nr. 3 · September 2026
Bill Gates’ Essay über Arbeit, an den Daten geprüft
Die Tür ging nicht zu. Sie wurde enger. Bill Gates sagt, die Schwelle am Arbeitsmarkt sei überschritten. Ich habe den Essay gelesen und dann eine Woche lang mit den Beschäftigungsdaten abgeglichen, die er nirgends zitiert. Die Diagnose hält. Die Form des Schadens ist nicht die, die den meisten vor Augen steht.
Eine Prognose, die es zu zerlegen lohnt
Ich verfolge Bill Gates nicht.
Seinen Essay vom August habe ich gelesen, weil ihn mir jemand vorlegte, und er hat mich angehalten – nicht weil er beunruhigt, sondern weil er es nicht tut. Er liest sich wie einer, der ein System genau angesehen hat und aufzählt, was daran seiner Ansicht nach bricht, samt Eingeständnis, welche Teile er nicht reparieren kann.
Diese Kombination ist selten genug für einen Abend. Was folgt, ist sein Argument, Abschnitt für Abschnitt, mit den Zahlen, die er auslässt. Jede Zahl hier führt zu ihrer Quelle.
Wo Essay und Interviews desselben Tages Verschiedenes sagen, markiere ich, was woher stammt – und dieser Unterschied zählt: Die meistzitierten Zahlen stehen in den Interviews, nicht im Essay.
Die interessante Frage war nie, ob er recht hat. Interessant ist, was die Daten mit der Form seiner Behauptung machen.
Warum der übliche Vergleich nicht trägt
Wer über diesen Übergang nachdenkt, greift meist zum Bild vom Feld ins Büro. Gates hält dagegen, die Analogie breche an zwei Stellen, und beide gehören ausgesprochen.
Erstens der Zeitrahmen. Jener Wandel zog sich über Generationen. Dieser trifft nach seiner Schätzung Recht, Kundendienst, Medizin, Softwareentwicklung und Fertigung innerhalb eines Jahrzehnts.
Zweitens, und wichtiger: Der Weg vom Feld ins Büro schuf Arbeit, die menschliches Denken verlangte. Diese Technologie ersetzt das Denken selbst. Eine offensichtliche nächste Sprosse derselben Art ist nicht in Sicht.
Er fügt ein Detail hinzu, das das Tempo erklärt.
Der Personal Computer brauchte zwanzig Jahre, um die Arbeit zu verändern: Jemand musste die Software schreiben, den Preis drücken und die Belegschaft schulen. Diese Technologie läuft auf Geräten, die die Leute schon haben, und spricht normale Sprache. Sie passt sich uns an, nicht umgekehrt.
Was seiner Aussage nach schon überschritten ist
In Interviews desselben Tages nennt Gates fünf Schwellen, die er für überschritten hält: biologische Fähigkeiten, Cyberfähigkeiten, psychosoziale Abhängigkeit, Umbruch am Arbeitsmarkt und erste Anzeichen von Kontrollverlust6.
Sein Punkt ist nicht, dass eine davon eingetreten wäre. Sein Punkt ist, dass die Branche jahrelang versprochen hat, beim Erreichen dieser Marken langsamer zu werden – und ohne öffentliche Debatte daran vorbeigegangen ist.
Zur Quellenlage. Die Liste der fünf Schwellen steht nicht im Essay.
Der Essay nennt drei Risiken – verschwindende Arbeit, gestärkte Übeltäter und Schaden für Kinder und menschliche Beziehungen – und sagt klar, dass es keinen Plan für den Übergang gibt5. Die schärfere Fassung kam in den Interviews. Die meisten Berichte vermischen beides.
Das Wort Schwelle ist keine Rhetorik. Die führenden Labore veröffentlichen je ein Sicherheitsrahmenwerk, das Fähigkeitsstufen im Voraus benennt – Hilfe bei Biowaffen, autonome Cyberoperationen, Selbstverbreitung – und verspricht, dort innezuhalten. An diesem Versprechen misst Gates.
Wo der Effekt tatsächlich auftaucht
Hier wird sein Essay still. Er schreibt, die Beschäftigung junger Arbeitskräfte in gefährdeten Berufen sei gefallen, während sie bei den älteren Kollegen stabil blieb – und nennt keine einzige Zahl. Die Zahl existiert, und sie ist interessanter als der Satz.
Schauen Sie zuerst auf den ganzen Markt, und es ist fast nichts zu sehen. Lohndaten über Millionen Beschäftigte, gruppiert nach der Exposition des Berufs, zeigen alle Gruppen innerhalb eines Prozentpunkts beieinander3. Deshalb melden mehrere Forschungsteams, sie fänden überhaupt keine KI-Spur am Arbeitsmarkt.
Stanford Digital Economy Lab, ausbalanciertes ADP-Lohnpanel3.
Jetzt eine einzige Variable dazu. Dieselben Daten, derselbe Monat, dieselben Berufe – aufgeteilt nach Alter.
Dasselbe Panel, derselbe Monat3. Der Abstand zwischen den Jüngsten und der Gruppe 41–49 beträgt 4,9 Prozentpunkte – innerhalb derselben Berufe.
Der Effekt läuft nicht zwischen den Berufen. Er läuft in ihnen, nach Alter sortiert.
Über das längere Fenster ist der Bruch noch schärfer: Seit Ende 2022 fiel die Beschäftigung der 22- bis 25-Jährigen in den beiden am stärksten exponierten Gruppen um 11 Prozent, während dieselbe Altersgruppe in den drei am wenigsten exponierten um 10 Prozent zulegte3.
−11 %
In den beiden am stärksten exponierten Gruppen
+10 %
Gleiches Alter, in den drei am wenigsten exponierten
Der gestrichelte Umriss ist der Stand von Ende 2022; von ihm aus sind beide Öffnungen gemessen3.
Niemand wird entlassen. Es werden weniger hereingelassen.
Dieser Unterschied ist der Befund. Die Abgangsraten exponierter junger Beschäftigter sind nicht gestiegen – die Einstellungen haben sich verlangsamt.
Die Tür fiel nicht hinter denen zu, die schon drinnen sind; sie wurde enger für die, die hinein wollen. Gates beschreibt genau das, wenn er über Einstiegspositionen schreibt, und das ist der Teil seines Essays, der die Begegnung mit den Daten am besten übersteht.
Was die Forschenden selbst anmerken. Der Effekt halbiert sich, sobald man für Bildung kontrolliert, ein Teil des Rückgangs liegt vor der generativen KI, und in nationalen Erhebungen ist der Abstand kleiner als in diesem Lohnpanel.
Das Panel ist für den US-Arbeitsmarkt nicht repräsentativ, und die Arbeit ist nicht begutachtet. Die Autoren nennen die Ergebnisse deskriptiv, nicht kausal3.
Prüfen Sie Ihre eigene Arbeit
Gates nennt Berufe aus der Beobachtung heraus: Vertrieb und Support, Softwareentwicklung, juristische Assistenz, dann Kreditprüfung, Datenanalyse, Patiententriage. Inzwischen gibt es ein amtliches Maß, an dem sich das prüfen lässt.
Im August veröffentlichte das Bureau of Labor Statistics seine erste Klassifikation von Berufen nach KI-Exposition, gebaut aus fünf unabhängigen Maßen – drei theoretischen und zwei aus beobachteter realer Nutzung – samt Beschäftigungsprojektionen bis 20351.
Geben Sie unten einen Beruf ein. Alles, was zurückkommt, stammt aus den Quellen am Ende, und jede Zahl trägt eine Fußnote zu der Quelle, aus der sie kommt.
Interaktiv · 825 Berufe
Der Beruf
Und Sie darin
Das ist keine Vorhersage über Sie. Gezeigt wird, wo Ihr Beruf unter den anderen steht und was mit der Beschäftigung von Menschen Ihres Alters in Berufen ähnlicher Exposition geschehen ist.
Exposition heißt, dass ein Modell auf die Aufgaben anwendbar ist – das Bureau stellt ausdrücklich klar, dass daraus weder Arbeitsplatzverlust noch Automatisierung noch Lohneffekte folgen1.
Ein Fünftel des Marktes, im Detail
Trägt man alle 825 Berufe in eine Tabelle ein, ist das Bild ruhiger als die Debatte. Nach jeder Spalte sortieren, nach Namen filtern, und die Expositionskategorie steht als Marke neben dem Namen.
Wie die Tabelle zu lesen ist
Bureau of Labor Statistics, KI-Expositionskategorien und Beschäftigungsprojektionen 2025–351.
Der Beschäftigungsanteil jeder Kategorie über alle 831 Berufe, die das Bureau projiziert:
| Exposition | Berufe | Beschäftigt, 2025 | Anteil | Projektion 2025–35 |
|---|---|---|---|---|
| Sehr hoch | 206 | 53,2 Mio. | 31,3 % | +2,0 % |
| Hoch | 206 | 42,1 Mio. | 24,8 % | +3,1 % |
| Mittel | 206 | 44,7 Mio. | 26,2 % | +6,2 % |
| Niedrig | 213 | 30,3 Mio. | 17,8 % | +2,5 % |
Bureau of Labor Statistics, KI-Expositionskategorien und Beschäftigungsprojektionen 2025–351.
Das am stärksten exponierte Drittel des Marktes wächst am langsamsten – und wächst doch. Das ist die amtliche Projektion, keine Meinung. Und die Spanne innerhalb der obersten Kategorie ist größer als die Spanne zwischen den Kategorien:
| Sehr hohe Exposition | Beschäftigt | Projektion bis 2035 |
|---|---|---|
| Office clerks, general | 2,60 Mio. | −6,0 % |
| Secretaries and administrative assistants | 1,89 Mio. | −6,0 % |
| Bookkeeping and auditing clerks | 1,53 Mio. | −5,6 % |
| Customer service representatives | 2,67 Mio. | −5,3 % |
| Computer and information systems managers | 0,69 Mio. | +15,8 % |
| Logisticians | 0,26 Mio. | +17,6 % |
| Data scientists | 0,28 Mio. | +34,6 % |
Dieselbe Expositionskategorie, entgegengesetzte Bahnen. Gates sagt das einmal, in einem Nebensatz, den die meisten Zusammenfassungen gestrichen haben: In der Softwareentwicklung erzeugen fallende Kosten neue Nachfrage, der Nettoverlust fällt dort also kleiner aus als anderswo. Die Projektionen geben ihm recht.
Der Umbruch kommt, wenn das Prüfen aufhört
Die am meisten unterschätzte Zeile des Essays handelt von keinem Beruf. Gates schreibt, der größte Umbruch für Beschäftigte komme, wenn die Technik nahezu fehlerfrei ist – denn dann kann sie ohne menschliche Prüfung laufen, und jeder ökonomische Anreiz zeigt genau dorthin.
Es gibt einen Benchmark, der das in Zahlen fasst.
OpenAIs GDPval misst Modelle gegen erfahrene Fachleute an 1320 echten Arbeitsergebnissen aus 44 Berufen, im Schnitt je rund sieben Stunden Arbeit7. Die Schlagzeile lautet, ein Spitzenmodell erreiche oder schlage die Fachkraft bei etwa der Hälfte der Aufgaben. In derselben Arbeit steckt eine Tabelle, die kaum jemand zitiert.
Was das Prüfen kostet
Vorsprung des Modells vor der Fachkraft
Alles zwischen diesen beiden Zahlen ist eine Frage davon, wie viel Prüfung Sie behalten7.
Naiv gemessen ist das Modell rund 90-mal schneller und mehrere hundertmal günstiger. Sobald die fachliche Prüfung eingepreist ist, schrumpft der Vorsprung auf etwa 1,1–1,4× bei der Zeit und 1,2–1,6× bei den Kosten7.
Die gesamte ökonomische Rechnung hängt also am Prüfschritt. Solange ein Mensch noch prüft, ist der Gewinn marginal.
Der ganze Preis erscheint in dem Moment, in dem die Prüfung entfällt – und genau deshalb wird sie entfallen, und genau deshalb hat Gates recht, wenn er das die eigentliche Schwelle nennt und nicht irgendeine einzelne Fähigkeit.
Der Teil, den der Essay auslässt
Gates baut den ganzen Text um Gerechtigkeit: Diese Technik wird entweder der größte Gleichmacher oder die schlimmste Quelle von Ungerechtigkeit. Und dann fragt er nie, wer eigentlich in den exponierten Berufen arbeitet.
Ich habe die Expositionsklassifikation mit der Beschäftigungserhebung abgeglichen. Gewichtet danach, wie viele Menschen dort arbeiten, sind die Berufe der höchsten Expositionskategorie zu 57,5 Prozent weiblich.
In der niedrigsten Kategorie sind es 36,9 Prozent14. Zwanzig Punkte Abstand, und der Grund ist nicht subtil: Büro-, Verwaltungs- und Unterstützungsarbeit ist zugleich die exponierteste und fast überall die weiblichste.
Die Internationale Arbeitsorganisation findet global dasselbe, mit einer Methode auf internationalen Klassifikationen statt amerikanischen: In der höchsten Expositionsstufe liegen 4,7 Prozent der Frauenbeschäftigung gegen 2,4 Prozent der Männerbeschäftigung, in Hocheinkommensländern 9,6 gegen 3,58.
Dieselbe ILO-Arbeit taugt auch als Prüfung der Größenordnung. Sie beziffert die globale Exposition auf 24 Prozent der Beschäftigung, der IWF auf knapp 409.
Zwei glaubwürdige Institutionen, ein Phänomen, fast Faktor zwei dazwischen. Wer eine einzige globale Zahl mit Überzeugung nennt, hat sich eine ausgesucht und die andere verschwiegen.
Reservate, Token und vier offene Fragen
Human Reserved
Gates schlägt vor, bestimmte Arbeit für Menschen beiseitezulegen – nicht weil Maschinen sie nicht könnten, sondern weil eine Gesellschaft entscheidet, der Verlust wäre zu groß.
Er borgt sich die Sprache der Naturschutzgebiete. Der persönliche Ursprung sind die letzten Jahre seines Vaters und die Pflegenden, die den Mann noch verstanden, als er sich selbst nicht mehr verständlich machen konnte.
Er nennt zwei Gründe. Einen ökonomischen: Ein 55-Jähriger, der sein Berufsleben auf dem Bau verbracht hat, lässt sich nicht einfach in die Altenpflege umleiten. Und einen menschlichen: Ein Roboter, der eine tödliche Diagnose überbringt, ist technisch möglich und sollte nicht stattfinden.
Dann zählt er, in seinem eigenen Text, die vier Fragen auf, die er nicht beantworten kann. Wer entscheidet, was reserviert wird. Nach welchen Kriterien. Wie man Unternehmen am Tricksen hindert. Was mit dem Handel geschieht, wenn ein Land die Roboter bauen lässt und ein anderes nicht.
Ein Abgleich mit den Daten lohnt: Die Altenpflege, sein zentrales Beispiel, hat schon jetzt zu wenig Personal.
Einen Beruf zu reservieren, der seine offenen Stellen nicht besetzen kann, schützt ihn vor einem Druck, unter dem er noch gar nicht steht. Einen Teil davon nimmt er vorweg – er erwartet, dass Japan mit zu wenigen jungen Menschen den Pflegeroboter begrüßen wird.
Steuern auf Token und Roboter
Die Asymmetrie, die er beseitigen will, ist real und wird selten so klar benannt. Stellt man einen Menschen ein, zahlt der Arbeitgeber Lohnnebenkosten. Kauft man eine Maschine, schreibt das Unternehmen sie ab. Das Steuerrecht subventioniert derzeit die Substitution.
Sein Mittel ist eine gezielte Abgabe auf KI-Token und Roboter, aus der Umschulung und ein stärkeres soziales Netz finanziert werden; Anwendungen, die Medizin und Bildung billiger machen, will er verschonen.
Er räumt ein, dass das ökonomisch ineffizient ist, und hält den Preis für vertretbar. Ein Satz steht nicht im Essay; die viel zitierte Zahl stammt aus einem Interview und ist als Option genannt, nicht als Rechnung6.
Der stärkste Einwand ist mechanisch, nicht ideologisch: Eine Token-Steuer misst Rechenleistung, nicht Verdrängung. Tokenpreise sind um Größenordnungen gefallen, die Bemessungsgrundlage schrumpft also, während das Problem wächst, und die Inferenz wandert auf lokale Geräte und in andere Rechtsräume.
Worüber redliche Leute weiter streiten
Es wäre leicht, hier zu enden und den Fall für erwiesen zu erklären. Er ist es nicht, und der Streit ist mehr wert als ein Urteil.
| Befund | Quelle |
|---|---|
| Das Beschäftigungswachstum in der Softwareentwicklung verlangsamte sich nach Ende 2022 um rund 3 Punkte jährlich; etwa 500.000 Stellen nicht entstanden | Federal Reserve10 |
| Kein Zusammenhang zwischen KI-Nutzung und Beschäftigungsveränderung, bis Juli 2026 | Budget Lab, Yale11 |
| 2,8–3 % der Stunden eingespart, exakt kein Effekt auf Verdienst oder Stunden | Dänische Verwaltungsdaten12 |
| Der Rückgang exponierter Stellenanzeigen begann im März 2022 – vor ChatGPT – und folgt dem Zinszyklus | 238 Mio. Stellenanzeigen13 |
| Die Arbeitslosigkeit stieg im am wenigsten exponierten Fünftel stärker als im am stärksten exponierten | Economic Innovation Group14 |
In drei Punkten stimmen all diese Teams überein, und das sind heute die sichersten Schlüsse: Auf Makroebene gibt es keine massenhafte Verdrängung; der Mechanismus ist verlangsamte Einstellung, nicht Entlassung; und mit jungen Beschäftigten in exponierten Berufen geschieht etwas.
Eine weitere Grenze gehört hierher. Keine Prognose für 2026 lässt sich bislang an der tatsächlichen Beschäftigung nach Berufen prüfen: Die amtliche Berufsreihe reicht nur bis Mai 2025, und die nächste Veröffentlichung für diesen Zeitraum kommt frühestens 2027. Wer Ihnen diese Prüfung heute zeigt, zeigt Ihnen Rauschen.
Was die Zahlen ändern
Gates’ Diagnose hält stand. Der Mechanismus stimmt, die Branchen stimmen, und die Betonung der Einstiegsarbeit ist der Teil, den die Daten am direktesten stützen.
Was die Zahlen ändern, ist die Form. Das ist keine Welle, die über die Berufe rollt und sie einen nach dem anderen mitnimmt. Es ist ein Filter, der innerhalb der Berufe arbeitet und danach sortiert, wie lange man schon dabei ist. Er selektiert gegen die, die am wenigsten Rücklage und die meisten Jahre vor sich haben.
Er beendet seinen Essay mit vier Fragen und ohne Antworten.
Meine ist enger und leichter zu beantworten als jede davon: Wenn der Mechanismus eine verlangsamte Einstellung am Eingang ist, dann ist das Ziel der Politik nicht, welche Berufe man einzäunt, sondern wer die erste Sprosse bekommt. Reservate schützen die, die schon auf der Leiter stehen.
Quellen
- US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35, veröffentlicht am 27. August 2026. Kategorien aus fünf unabhängigen Maßen gebaut. bls.gov/emp/publications/ai-exposure-categories.htm
- Anthropic Economic Index, Datensatz labor market impacts – gemessener Anteil der Aufgaben eines Berufs, die an das Modell gehen. huggingface.co/datasets/Anthropic/EconomicIndex
- Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine? Stanford Digital Economy Lab, Fassung August 2026; ADP-Lohnpanel bis Juli 2026. digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- US Bureau of Labor Statistics, Current Population Survey, Tabelle 11: Beschäftigte nach detailliertem Beruf und Geschlecht, Jahresdurchschnitt 2025. bls.gov/cps/cpsaat11.htm
- Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes, 26. August 2026. gatesnotes.com
- Interview der MIT Technology Review mit Bill Gates, 26. August 2026 – Quelle der fünf Schwellen und der zitierten Sätze. technologyreview.com
- GDPval, OpenAI – 1320 echte Arbeitsergebnisse aus 44 Berufen; die um Verifikation bereinigten Zahlen stehen in der Kostentabelle. arxiv.org/abs/2510.04374
- International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, Working Paper 140, Mai 2025. ilo.org
- International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work, SDN/2024/001, Januar 2024. imf.org
- Crane und Soto, Federal Reserve Board, FEDS 2026-018, März 2026.
- Budget Lab at Yale, Tracking the impact of AI on the labor market, aktualisiert am 19. August 2026. budgetlab.yale.edu
- Humlum und Vestergaard, NBER Working Paper 33777, Fassung März 2026.
- Iscenko und Curto Millet, Januar 2026 – 238 Millionen Stellenanzeigen.
- Eckhardt und Goldschlag, Economic Innovation Group, AI and Jobs, August 2025. eig.org
Zusammengeführter Datensatz hinter den interaktiven Teilen: 825 Berufe mit Beschäftigung, Projektion, Medianlohn, offizieller Expositionskategorie, gemessenem Aufgabenanteil, der an Modelle geht, und Geschlechterzusammensetzung.
Im September 2026 aus den Quellen 1, 2, 4 und der Occupational Employment and Wage Statistics vom Mai 2025 zusammengestellt.
Aus dem englischen Original übersetzt. Die Berufsbezeichnungen bleiben englisch: Es sind die amtlichen Namen der SOC-Klassifikation, und genau nach ihnen sucht die Seite. Wo die genaue Formulierung der Quelle zählt, prüfen Sie die verlinkten Dokumente oben.