Im Februar 2026 entliess Block, das Finanzunternehmen von Jack Dorsey, knapp die Hälfte seiner 10.000 Mitarbeitenden. Die Begründung: Künstliche Intelligenz habe viele dieser Stellen überflüssig gemacht. Dorsey ergänzte, die meisten Unternehmen würden ähnliche Entscheidungen innerhalb eines Jahres treffen. Über 100.000 Tech-Mitarbeitende wurden allein 2025 entlassen, in mehr als der Hälfte der Fälle wurde KI als Hauptgrund angeführt.
Was auf den ersten Blick wie eine Reihe unabhängiger Unternehmensentscheidungen aussieht, folgt einer gemeinsamen Logik. Zwei Forschungsstränge beschreiben diese Logik auf unterschiedlichen Ebenen: einer auf der Marktebene, einer auf der Organisationsebene. Zusammen ergeben sie ein klareres Bild davon, was bei massenhafter KI-getriebener Automatisierung tatsächlich passiert.
Die Marktebene: Ein strukturelles Gefangenendilemma
Brett Hemenway Falk und Gerry Tsoukalas von der University of Pennsylvania und der Boston University haben im März 2026 ein ökonomisches Modell veröffentlicht, das dieses Phänomen präzise beschreibt. Ihr Ausgangspunkt: Unternehmen wissen, dass massenhaft entlassene Mitarbeitende als Konsumenten wegfallen. Sie wissen, dass dies die Gesamtnachfrage schwächt und damit auch ihre eigenen Einnahmen. Und sie automatisieren trotzdem.
Der Grund liegt in der Struktur des Wettbewerbs. Jedes Unternehmen trägt den vollen Kostenvorteil der Automatisierung, aber nur einen Bruchteil des entstehenden Nachfrageverlustes. Den Rest des Verlustes tragen die Konkurrenten. Das schafft einen Anreiz, der sich durch reine Einsicht nicht auflösen lässt: Zurückzuhalten ist privat irrational, auch wenn kollektive Zurückhaltung alle besser stellen würde.
„Each firm captures the full cost saving of replacing its own workers yet bears only a sliver of the demand it destroys; the rest lands on rivals. No firm can afford to be the one that holds back.“
Hemenway Falk & Tsoukalas, The AI Layoff Trap, 2026
Das Modell zeigt, dass dieser Effekt mit zunehmendem Wettbewerb stärker wird, und mit besserer KI ebenfalls. Hoch produktive KI verstärkt den Marktanteilsanreiz jedes einzelnen Unternehmens, ohne den gesellschaftlichen Nachfrageverlust zu reduzieren. Der sogenannte Red-Queen-Effekt: Alle laufen schneller, der Vorsprung bleibt null, der Schaden wächst.
Besonders relevant ist der Befund zur Wirksamkeit politischer Instrumente. Das Modell prüft sechs Ansätze: Umschulung, Grundeinkommen, Kapitalertragsteuer, Mitarbeiterbeteiligung, freiwillige Vereinbarungen unter Unternehmen und eine Automatisierungssteuer nach dem Pigou-Prinzip. Nur Letztere korrigiert den Fehlanreiz strukturell. Alle anderen Instrumente verändern Einkommensniveaus, aber keinen der Anreize, die das Problem antreiben.
Die Organisationsebene: Was dabei verloren geht
Das ökonomische Modell beschreibt, warum Unternehmen zu viel automatisieren. Was dabei intern verloren geht, ist eine separate, aber eng verknüpfte Frage.
Michael Polanyis grundlegendes Werk „The Tacit Dimension“ (1966) unterscheidet zwischen explizitem Wissen, das sich dokumentieren, übertragen und formalisieren lässt, und implizitem Wissen, das erfahrungsgebunden, kontextsensitiv und oft nur im Handeln sichtbar ist. Organisationen funktionieren nach aussen über explizites Wissen: Prozesse, Handbücher, Protokolle. Sie überleben nach innen durch implizites Wissen: die Fähigkeit erfahrener Mitarbeitender, Ausnahmen zu erkennen, Signale richtig zu deuten und in unklaren Situationen ein Urteil zu fällen.
KI-Systeme können explizites Wissen reproduzieren und skalieren. Implizites Wissen können sie höchstens ergänzen, und auch das nur unter bestimmten Voraussetzungen. Wenn Unternehmen Mitarbeitende mit hohem implizitem Wissen entlassen, verlieren sie etwas, das sich nicht einfach dokumentieren oder übertragen lässt.
„Eine KI kann oft nur explizites Wissen reproduzieren. Wenn Unternehmen ihre Belegschaft drastisch reduzieren, kappen sie die Intuition der Organisation.“
Foss et al., Beyond Tacit Knowledge, 2024
Lisanne Bainbridge hat diesen Mechanismus bereits 1983 für automatisierte technische Systeme beschrieben. Ihre „Ironies of Automation“ formulieren ein Paradoxon: Je weiter ein System automatisiert wird, desto mehr wird die menschliche Rolle auf seltene Ausnahmesituationen reduziert. Und genau dort, wo menschliches Eingreifen am wichtigsten wäre, fehlt die nötige Übung und Routine, weil der Normalfall längst von Maschinen übernommen wurde.
Eine aktuelle Studie der Universität Passau und der Arizona State University (2026) aktualisiert dieses Argument für generative KI: Der unkritische Einsatz von KI-Systemen kann das menschliche Urteilsvermögen untergraben, indem Mitarbeitende KI-Outputs übernehmen, ohne sie aktiv zu prüfen. Das Ergebnis ist eine schleichende Erosion der Fähigkeit, KI-Outputs überhaupt noch einzuschätzen.
Crowston et al. (2024) differenzieren: De-Skilling und Up-Skilling können parallel auftreten. Ob Automatisierung Kompetenz erhält oder aushöhlt, hängt davon ab, ob Menschen KI-Ergebnisse aktiv prüfen und in ihre Fachkompetenz integrieren oder ob sie sie schlicht übernehmen. Die Organisationsgestaltung entscheidet.
Resilienz braucht mehr als Effizienz
Organisationsforschung zur Resilienz zeigt konsistent, dass Unternehmen Krisen durch Redundanz, Lernfähigkeit, Perspektivenvielfalt und adaptive Entscheidungsfähigkeit bewältigen. Reine Regelbefolgung reicht in komplexen und unvorhergesehenen Situationen nicht aus. Was gebraucht wird, ist Interpretationsfähigkeit: die Fähigkeit, schwache Signale früh zu erkennen und in neuen Konstellationen zu kombinieren.
Algorithmische Systeme sind stark bei Skalierung, Konsistenz und Mustererkennung auf bekannten Daten. Bei normativen Abwägungen, kontextabhängigen Ausnahmesituationen und dem Umgang mit echter Ambiguität bleibt menschliches Urteil eine eigenständige Grösse. Eine Übersichtsarbeit zu algorithmischer Entscheidungsfindung in Organisationen (Emerald, 2026) bestätigt, dass Vertrauen, Rollenklarheit und die Fähigkeit zur Interpretation die Wirksamkeit algorithmischer Systeme erheblich moderieren.
Wenn Unternehmen kognitive Diversität durch homogene algorithmische Logik ersetzen, optimieren sie ihre bestehenden Prozesse. Blinde Flecken verschwinden dabei nicht. Sie werden nur unsichtbar.
Zwei Ebenen, ein Phänomen
| Ebene | Mechanismus | Was passiert |
|---|---|---|
| Marktebene | Gefangenendilemma | Jedes Unternehmen trägt den vollen Kostenvorteil der Automatisierung, aber nur einen Bruchteil des Nachfrageverlustes. Zurückhaltung ist privat irrational, auch wenn sie kollektiv vorteilhaft wäre. |
| Organisationsebene | Wissenserosion | Mit jeder Entlassungswelle geht implizites Wissen verloren: Urteilsvermögen, Kontextsensitivität, die Fähigkeit, Ausnahmen zu erkennen. Diese Erosion ist langsam, kumulativ und kaum rückkängig zu machen. |
Konzepte im Hintergrund
Implizites Wissen (Tacit Knowledge): Erfahrungsgebundenes, kontextsensitives Wissen, das sich nur teilweise formalisieren lässt. In Organisationen eng verknüpft mit Urteilsvermögen, Mustererkennung und dem Umgang mit Ausnahmen.(Michael Polanyi, The Tacit Dimension, 1966)
Ironies of Automation: Je höher der Automatisierungsgrad, desto seltener und gleichzeitig kritischer werden menschliche Eingriffe. Fehlende Übung im Normalbetrieb schwächt die Fähigkeit genau dort, wo sie am meisten gebraucht wird.(Lisanne Bainbridge, 1983)
De-Skilling durch KI: Unkritische Übernahme von KI-Outputs kann die Fähigkeit untergraben, diese Outputs zu prüfen und einzuschätzen. Ob Automatisierung Kompetenz erhält oder aushöhlt, hängt von der Organisationsgestaltung ab. (Crowston et al., 2024; Universität Passau/ASU, 2026)
Demand-Externality (Nachfrageexternalität): Jedes Unternehmen, das Mitarbeitende entlässt, vernichtet Kaufkraft, die es mit allen anderen Unternehmen teilt. Dieser Schaden wird privatwirtschaftlich nicht internalisiert und treibt kollektiv schädliche Automatisierung an. (Hemenway Falk & Tsoukalas, 2026)
Was sich daraus ableiten lässt
Die beiden Ebenen dieses Phänomens sind strukturell verschieden, aber zeitlich verbunden. Der Marktmechanismus treibt Automatisierung über das kollektiv sinnvolle Mass hinaus. Der Organisationsmechanismus höhlt dabei still und kumulativ die Fähigkeiten aus, die gebraucht werden, um mit den Folgen umzugehen.
Für Unternehmen, die KI-gestützte Automatisierung planen, ist die relevante Frage daher nicht, ob und wie viel automatisiert wird. Die relevante Frage ist, welches Wissen dabei irreversibel verloren geht und ob das in der Kalkulation auftaucht. Nach aktuellem Forschungsstand tut es das meistens nicht.
Quellen
- Hemenway Falk, B. & Tsoukalas, G. (2026). The AI Layoff Trap. Working Paper, University of Pennsylvania / Boston University.
- Polanyi, M. (1966). The Tacit Dimension. Doubleday.
- Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775–779.
- Crowston, K. et al. (2024). Deskilling and upskilling with generative AI systems. Working Paper, Syracuse University.
- Foss, N. et al. (2024). Beyond Tacit Knowledge: How Michael Polanyi’s Theory of Knowledge Illuminates Theory Development in Organizational Research. University of Bath Research Portal.
- Universität Passau / Arizona State University (2026). Studie zu Wissensverlust durch KI. Digital.uni-passau.de.
- Emerald Publishing (2026). Algorithmic decision-making in organizations: a systematic review. Organizational Management Journal.
- Eloundou, T. et al. (2024). GPTs are GPTs: Labor market impact potential of large language models. Science, 384, 1306–1308.
- Brynjolfsson, E. et al. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Institute for Economic Policy Research.
