Ersetzbar ist nur die leichte Hälfte

Bevor sie anfingen, sollten sechzehn Entwickler schätzen, wie viel Zeit ihnen die KI sparen würde. Sie sagten rund ein Viertel. Nach getaner Arbeit, als die Tickets abgeschlossen und die Stunden erfasst waren, fragte man sie noch einmal, und sie blieben fast bei ihrer Zahl: etwa zwanzig Prozent schneller. Die Messung ergab neunzehn Prozent langsamer.

Das waren keine Leute, die zum ersten Mal ein Modell benutzten. Sie arbeiteten an ihren eigenen Projekten, in Codebasen mit über einer Million Zeilen, die sie im Schnitt seit fünf Jahren kannten und zu denen jeder von ihnen rund 1’500 Commits beigesteuert hatte.

Diese Zahl wäre eine Randnotiz für Fachleute, wenn nicht gerade eine ganze Branche ihre Personalplanung auf das Gegenteil stützen würde. Die Rechnung, die derzeit in vielen Sitzungszimmern aufgemacht wird, geht ungefähr so: Wenn die Werkzeuge die Arbeit um dreissig Prozent beschleunigen, braucht es entsprechend weniger Leute. Die Frage ist, woher diese dreissig Prozent stammen.

Wo der Gewinn herkommt

Er ist real, und er ist gut belegt. In einem kontrollierten Versuch von 2023 sollten Entwickler einen HTTP-Server in JavaScript bauen, und mit Assistenz brauchten sie im Schnitt 71 Minuten statt 161. Das ist keine Einbildung, das ist eine Halbierung.

Nur hatte diese Aufgabe eine Eigenschaft, die man beim Zitieren gern weglässt: Sie setzte nichts voraus. Keinen Bestandscode, keine Abhängigkeiten, keine Entscheidung von vor zwei Jahren, die man hätte kennen müssen. Die Teilnehmer waren extern angeworben und mussten über nichts Bescheid wissen, was es nicht schon in tausend Lehrbüchern gibt.

Dasselbe Muster taucht in drei Feldexperimenten mit fast 5’000 Entwicklern bei Microsoft und Accenture wieder auf, diesmal von der anderen Seite. Junioren lieferten zwischen 21 und 40 Prozent mehr ab, Senioren noch 7 bis 16. Wer lange dabei war und die Systeme kannte, gewann am wenigsten.

Und wo er verschwindet

Damit wird die Zahl vom Anfang erklärbar. Die sechzehn Entwickler arbeiteten in genau der Umgebung, in der der Gewinn kippt: gewachsene Systeme, eigene Projekte, viel Vorgeschichte. Die Forscher haben zwanzig mögliche Ursachen durchgespielt; drei tragen am meisten, und sie beschreiben dieselbe Sache aus verschiedenen Winkeln. Die Leute kannten ihre Projekte zu gut, die Projekte waren zu gross, und das Entscheidende stand nirgends.

Sechzehn Personen sind eine kleine Studie, und die Autoren sagen selbst, daraus folge nicht, dass KI Entwickler generell ausbremse. Aber derselbe Bruch lässt sich unabhängig davon beobachten. Sprachmodelle werden an zwei Prüfsätzen gemessen: Im älteren verlangt rund ein Drittel der Aufgaben eine Änderung von ein bis zwei Zeilen, im neueren umfasst die Lösung im Schnitt hundert Zeilen über vier Dateien hinweg. Dieselben Modelle, derselbe Monat, 97 Prozent gegen 62.

Die Rechnung steht auf der halben Wahrheit

Nimmt man diese drei Zahlen zusammen, ergibt sich ein Bild, das mit der gängigen Erzählung schlecht zusammengeht. Die Beschleunigung ist echt, aber sie sitzt auf einer bestimmten Sorte Arbeit: isolierte Aufgaben, bekannte Muster, wenig Vorgeschichte. Sobald ein System gewachsen ist, verbraucht sich der Gewinn dafür, der Maschine zu erklären, was sie nicht wissen kann.

Und diese zweite Sorte Arbeit wird nicht weniger. Sie wird mehr, weil Systeme mit den Jahren mehr Schnittstellen, mehr Abhängigkeiten und mehr Entscheidungen ansammeln, die man kennen muss. Jedes Jahr, das ein Produkt existiert, verschiebt den Anteil zugunsten des Teils, bei dem die Werkzeuge am wenigsten helfen.

Ein Unternehmen, das seine Entwicklerzahl auf Basis der Laborwerte plant, rechnet also mit einem Effekt, den es bei einem einfachen Produkt tatsächlich bekommt und bei einem gewachsenen nicht. Die Einsparung stösst an einen Boden, und wo dieser Boden liegt, hängt vom Alter und der Verflechtung des eigenen Systems ab, nicht von der Qualität des Modells.

Der Arbeitsmarkt zeigt es bereits

Interessant ist, dass sich diese Verschiebung in den Beschäftigungsdaten wiederfindet, und zwar präziser, als die Debatte über Stellenabbau vermuten lässt.

Eine Auswertung amerikanischer Lohndaten kommt zum Ergebnis, dass die Beschäftigung der 22- bis 25-Jährigen in stark KI-exponierten Berufen rund 19 Prozent unter dem Wert liegt, den sie erreicht hätte, wenn sie sich wie in weniger exponierten Berufen entwickelt hätte. Ein Jahr zuvor waren es 15 Prozent. Der Mechanismus dahinter ist wichtiger als die Zahl: Es wird kaum entlassen, es wird weniger eingestellt.

Die Forscher trennen dabei zwei Arten von Wissen. Wo ein Beruf auf kodifiziertem Wissen beruht, auf dem also, was in Lehrbüchern und Dokumentationen steht, sinkt die Beschäftigung der Jungen. Wo implizites Wissen zählt, das Erfahrungswissen, das sich schlecht aufschreiben lässt, gewinnen die Erfahrenen sogar dazu.

Das ist keine Geschichte über einen verschwindenden Beruf. Es ist eine Geschichte darüber, welche Leute innerhalb desselben Berufs gefragt sind.

Das eigentliche Problem liegt am Eingang

Und hier wird es unangenehm, denn die beiden Befunde greifen auf eine Weise ineinander, die niemand geplant hat.

Wertvoll ist, wer ein gewachsenes System versteht. Dieses Verständnis erwirbt man über Jahre, und man erwirbt es klassischerweise an den einfachen Aufgaben unter Aufsicht: der kleine Bug, das Ticket, das niemand sonst will, die Funktion, die schon dreimal ähnlich existiert. Genau diese Aufgaben erledigt die Maschine inzwischen in Sekunden.

Damit schliesst sich der Weg zu dem, was der Markt gerade höher bezahlt. Die Nachfrage nach Erfahrung steigt, während die Stufe, auf der Erfahrung entsteht, wegfällt. Das ist kein Arbeitsplatzverlust, sondern ein Engpass mit Verzögerung — er trifft die Unternehmen erst in fünf bis zehn Jahren, wenn die Leute fehlen, die man heute nicht einstellt.

Was daraus folgt

Die Frage, ob sich Software-Entwickler durch KI ersetzen lassen, ist damit falsch gestellt. Ein Teil ihrer Arbeit lässt sich ersetzen, und zwar der Teil, der sich auch vorher schon leicht einkaufen liess. Der andere Teil lässt sich nicht ersetzen, weil er aus Wissen besteht, das nirgends steht und das jemand über Jahre in einem bestimmten Haus erworben hat.

Für die Personalplanung heisst das, dass die interessante Zahl nicht der versprochene Produktivitätsgewinn ist, sondern der Anteil der eigenen Arbeit, der ohne Vorgeschichte auskommt. Wer den kennt, kennt seinen Spielraum. Wer ihn nicht kennt, plant mit einem Laborwert.

Und für alle, die heute in diesen Beruf einsteigen, verschiebt sich die Frage ebenfalls. Nicht, ob es die Stelle in zehn Jahren noch gibt — die gibt es. Sondern, wie man in einen Beruf hineinkommt, dessen Einstiegsaufgaben gerade automatisiert werden.