Analyse von KI-Einstiegsjobs: Gen Z verliert die erste Sprosse

Die Tabelle, die niemand wollte, war früher Teil des Lehrplans. Genauso die erste Support-Warteschlange, die einfache Audit-Stichprobe und das Bug-Ticket mit gerade genug Mehrdeutigkeit, damit neue Mitarbeitende bessere Fragen stellen. Die klügere Lesart der Angst vor KI auf dem Arbeitsmarkt ist nicht, dass jede erfahrene Arbeitskraft kurz davorsteht, ersetzt zu werden. Sie ist, dass ein Teil der Arbeit, an der Anfängerinnen und Anfänger gelernt haben, wie Arbeit funktioniert, automatisiert, verdichtet oder an Tools übergeben wird, bevor jemand die Ausbildung drumherum neu gestaltet. Das ist wichtig, weil Junior-Jobs nicht nur günstige Kapazität sind. Durch sie lernen Menschen den Wortschatz eines Unternehmens, die typischen Fehlerstellen eines Workflows und den Unterschied zwischen dem Erledigen einer Aufgabe und dem Verstehen eines Systems. Wenn diese Aufgaben verschwinden, wird der alte Rat, irgendwo einzusteigen und durch bloßes Dabeisein zu lernen, weniger verlässlich. Lernende brauchen einen anderen Test für Kurse, Portfolios und erste Rollen: Hilft mir das, echtes Urteilsvermögen zu üben, oder wiederhole ich nur Tool-Namen?

Das Signal zeigt sich auf der ersten Stufe

Laut Lawrence Lundy Bryan in State of the Future haben die Stanford-Ökonomen Erik Brynjolfsson, Bharat Chandar und Ruyu Chen ADP-Gehaltsdaten analysiert, die monatlich Millionen von US-Arbeitskräften erfassen. Seine Zusammenfassung besagt, dass die Forschenden Alter mit der KI-Exposition auf Jobebene kombinierten und dann einen Rückgang der Beschäftigung um 13 Prozent bei Arbeitskräften im Alter von 22 bis 25 Jahren in stark KI-exponierten Rollen fanden. Zu den in der Zusammenfassung genannten Rollen gehören Softwareentwicklerinnen und -entwickler, Kundensupport und Junior-Auditorinnen und -Auditoren. Das beweist nicht, dass jeder Karriereweg für Absolventinnen und Absolventen zusammenbricht, aber es erhöht den Druck auf die erste Stufe der Büroarbeit.

Dominika Borna von The Workforce Lens trifft die nützlichere Unterscheidung. Ihre Analyse argumentiert, dass das entstehende Bild kein einfacher Niedergang ist, sondern ein struktureller Wandel, bei dem einige Rollen verschwinden und viele sich von Beginn einer Karriere an in Richtung Zusammenarbeit zwischen Mensch und KI entwickeln. Diese Unterscheidung ist für Lernende wichtig, weil Panik zu schlechten Trainingsentscheidungen führt. Wenn sich die Form des Jobs verändert, besteht das Ziel nicht darin, jedes verfügbare KI-Abzeichen zu sammeln, sondern zu verstehen, welche Workflows weiterhin menschliches Urteilsvermögen brauchen und wie Tools darin passen.

Ausbildung bestand aus Arbeit mit geringer Komplexität

Lotis Blue Consulting beschreibt das alte Modell für Junior-Talente ganz klar: Über Jahrzehnte übernahmen Junior-Mitarbeitende weniger komplexe Arbeit und gewannen dabei Einblick, Übung, Mentoring und Kontext. In seiner Analyse vom 5. Juni 2026 argumentiert Donncha Carroll, dass KI diese Gleichung verändert, da Routineaufgaben automatisiert werden und Organisationen neu überlegen, was Junior-Rollen leisten sollten. Das Schlüsselwort ist nicht Routine. Das Schlüsselwort ist Kontext, denn Routinearbeit vermittelte oft die ersten Lektionen darüber, wie ein Unternehmen tatsächlich funktioniert.

Lotis Blue warnt außerdem, dass das Entfernen von Einstiegsarbeit ohne Neugestaltung des gesamten Talentsystems langfristige Risiken schafft. Das Unternehmen sagt, Firmen könnten kurzfristig Effizienz gewinnen und gleichzeitig Wege schwächen, die künftige Managerinnen und Manager, technische Fachleute, Unternehmensführungskräfte, institutionelles Wissen und Fähigkeiten aufbauen. Das ist der Teil der KI-Geschichte, der nicht sauber in ein Personaldiagramm passt. Ein Unternehmen kann die einfachen Tickets automatisieren und später trotzdem Menschen brauchen, die verstehen, warum die schwierigen Tickets schwierig sind.

Kurse können Kontext nicht allein ersetzen

IntuitionLabs beschreibt in seiner am 17.07.2026 aktualisierten Analyse, dass sich die Einstellungslandschaft für Absolventinnen und Absolventen tiefgreifend verändert, während sich KI-Technologien in verschiedenen Branchen ausbreiten. Dort heißt es, dass Studien und Umfragen aus den Jahren 2024 und 2025 starke Rückgänge bei traditionellen Einstiegsjob-Chancen melden. Sorgfältig gelesen ist das keine Einkaufsliste für Zertifikate. Es ist eine Warnung, dass Lernende Trainings danach beurteilen sollten, was sie danach bauen, erklären und verbessern können.

Ein nützlicher KI-Kurs sollte dich einen Workflow üben lassen, nicht nur ein Modell benennen. Für eine Support-Rolle könnte das bedeuten, unübersichtliche Kundenanfragen zu triagieren, Eskalationskriterien zu schreiben und zu zeigen, wo ein KI-Entwurf menschliche Korrektur braucht. Für eine Analystenrolle könnte es bedeuten, zu dokumentieren, wie du Daten bereinigt, Ergebnisse geprüft und entschieden hast, was nicht automatisiert werden sollte. Wenn ein Programm Kosten, Zeitaufwand, Feedback und Projektleistungen nicht klar macht, behandle diese Lücke als Teil des Produkts.

Was Lernende und Führungskräfte als Nächstes tun sollten

The Workforce Lens stellt fest, dass Arbeit am Karriereanfang zunehmend neue Kompetenzsets und Zusammenarbeit zwischen Mensch und KI von Anfang an verlangt. Das ist eine höhere Messlatte für Anfängerinnen und Anfänger, aber es ist nicht dasselbe wie die Forderung, dass jede Absolventin und jeder Absolvent ML-Ingenieurin oder ML-Ingenieur wird. Die Ausweitung von Jobtiteln macht das bereits schwieriger: AI Engineer kann Modellintegration, Dateninfrastruktur, Produktautomatisierung oder etwas bedeuten, das eher promptlastigen Abläufen ähnelt. Lernende sollten fragen, in welchem System sie arbeiten werden, welche Entscheidungen sie selbst verantworten und wer ihr Urteilsvermögen überprüft.

Lotis Blue Consulting beschreibt die Arbeitgeberseite ebenso klar: Junior-Talente bleiben wichtig, wenn Organisationen eine belastbare Talent-Pipeline wollen. Für Leserinnen und Leser, die entscheiden, wohin sie Zeit investieren, ist der praktische Schritt, Lernumgebungen mit Mentoring, Überprüfung und wiederholtem Kontakt mit unvollkommener Arbeit zu suchen. Ein Portfolio sollte das Vorher und Nachher eines Prozesses zeigen, nicht nur das polierte Endergebnis. Beobachte im nächsten Einstellungszyklus, ob Arbeitgeber Junior-Rollen rund um betreute KI-Workflows neu aufbauen oder weiterhin erwarten, dass Anfängerinnen und Anfänger bereits durch ein System ausgebildet ankommen, das sie nicht mehr ausbildet.