KI Lohnkompression — Anthropic Studie Arbeitsmarkt

Von David Schulte-Herbrüggen · 09.03.2026

KI ändert nicht die Jobzahl, sondern den Preis für Arbeit

Die öffentliche Debatte zur Künstlichen Intelligenz dreht sich seit zwei Jahren um die Frage, wie viele Arbeitsplätze verschwinden. Die jüngsten Daten verschieben den Fokus auf die Lohnstruktur. Eine Studie von Massenkoff und McCrory bei Anthropic (März 2026) findet keine systematische Arbeitslosigkeitsspitze in KI-exponierten Berufen. Was sie findet, ist ein Rückgang der Einstellungsrate für 22- bis 25-Jährige in genau diesen Berufen um 14 Prozent. Die Beschäftigung junger Arbeitnehmer:innen in exponierten Berufen sinkt um 6 bis 16 Prozent.

Das ist kein Crash. Das ist eine Verschiebung im Eintrittstor. Wer im Markt ist, bleibt drin. Wer rein will, findet weniger Türen offen.

Was die Daten konkret zeigen

Die Anthropic-Studie nennt eine zweite Zahl, die selten zitiert wird. 94 Prozent aller Tasks im Bereich Computer und Mathematik sind theoretisch durch KI beschleunigbar. Die reale Nutzung liegt bei 33 Prozent. Der Hebel ist also längst nicht ausgeschöpft. Diese Lücke zwischen Potenzial und Praxis erklärt, warum die Beschäftigungsstatistik bisher unauffällig wirkt.

Der ökonomische Mechanismus dahinter wird in einer parallelen Untersuchung der Dallas Fed (Februar 2026) sichtbar:

• Computer Systems Design: minus 5 Prozent Beschäftigung, plus 16,7 Prozent Lohnwachstum
• Top-10-Prozent-KI-exponierte Branchen insgesamt: minus 1 Prozent Beschäftigung, plus 8,5 Prozent Löhne

Die Zahlen lesen sich auf den ersten Blick widersprüchlich. Sie sind es nicht. KI senkt den Preis pro produzierter Software-Einheit. Die Nachfrage nach Software steigt, weil sie billiger wird. Trotzdem braucht das Unternehmen weniger Entwickler:innen, weil die einzelne Person dank KI mehr ausstößt. Wer übrig bleibt, ist tendenziell erfahrener und produktiver, also auch besser bezahlt. Die Lohnsumme verteilt sich auf weniger Köpfe.

Junior-Developer-Effekt und Risiko Lohnkompression

Der Eintrittsblock zeigt sich besonders deutlich im US-Tech-Sektor. Bei den 15 größten Tech-Firmen ist das Entry-Level-Hiring von 2023 auf 2024 um 25 Prozent gefallen. Neueinstellungen aus dem Hochschulabschluss machen nur noch 7 Prozent der Big-Tech-Hires aus, gegenüber rund 32 Prozent in früheren Jahren.

Begleitet wird das von Einzelfällen, die schwer einzuordnen sind. Block, das Unternehmen von Jack Dorsey, kündigte im Februar 2026 rund 4.000 Stellen, etwa 40 Prozent der Belegschaft, mit ausdrücklicher KI-Begründung. Bloomberg verwies in der Berichterstattung auf das Phänomen "AI-Washing": Sparmaßnahmen, die nachträglich mit KI begründet werden, weil das in der Investor-Kommunikation besser klingt als ein konjunkturelles Restrukturierungsprogramm.

Eine Studie des CEPR vom März 2026 quantifiziert das Verteilungsrisiko: Eine Verdopplung der KI-Patentintensität in einer Branche reduziert den Lohnanteil am Wertschöpfungsbeitrag um 0,5 bis 1,6 Prozentpunkte. Produktivitätsgewinne fließen überproportional zum Kapital. Lohnkompression wird hier mathematisch sichtbar: nicht alle Lohngruppen wachsen gleich, die Spreizung verändert sich.

Was schützt: Erfahrungstiefe und Urteilsvermögen

Die Dallas-Fed-Daten enthalten eine optimistische Lesart. Wer in einer KI-intensiven Branche bleibt, profitiert vom Lohnzuwachs. Der Mechanismus ist Komplementarität: KI erledigt das Kodifizierbare, Menschen übernehmen die Urteilsaufgaben mit Kontext und Verantwortung.

Zwei Dinge wirken stabilisierend. Frühe und tiefe Auseinandersetzung mit den KI-Werkzeugen der eigenen Domäne. Und Aufgaben, die explizit Urteilsspielraum verlangen statt nur Mustererkennung.

Die kritische Stelle für Berufseinsteiger:innen ist nicht der Schritt aus dem Studium in den Job. Es ist der Schritt vom austauschbaren ersten Tätigkeitsfeld in eine Position mit Profil. Wer drei Jahre nur Routinearbeit erledigt, läuft Gefahr, in der nächsten KI-Welle zur Gruppe ohne Lohnzuwachs zu gehören.

Was Payroll daraus macht: Mindestlohn 2026/27, Pflege-Stufen, MiLoG-Disziplin

Lohnkompression im internationalen Datenbild ist die eine Seite. In der deutschen Lohnabrechnung wirkt die andere Seite stark, und sie wird oft unterschätzt: der gesetzliche Lohnsockel.

Der allgemeine Mindestlohn steigt zum 1.1.2026 auf 13,90 Euro und zum 1.1.2027 auf 14,60 Euro. Das hebt das untere Ende der Gehaltsbänder spürbar an, vor allem im Gastgewerbe, im Handel und in der Logistik. Wer Stundenlöhne knapp über dem alten Sockel hatte, sieht 2026 eine Verdichtung nach oben.

In der Pflege wird es zum 1.7.2026 noch enger. Drei Stufen lösen sich ab: 16,52 Euro für Pflegehilfskräfte, 17,35 Euro für qualifizierte Hilfskräfte, 21,03 Euro für Pflegefachkräfte. Der Faktor zwischen Hilfskraft und Fachkraft beträgt damit 1,27. Die regulatorische Kompression ist Realität, bevor die ökonomische überhaupt einsetzt.

Daraus ergeben sich drei Payroll-Themen, die in jeder Lohnabrechnung 2026 sauber stehen müssen. Erstens, die MiLoG-Compliance pro tatsächlich geleisteter Stunde. § 1 MiLoG wird oft mit dem Monatsbrutto verwechselt. Maßgeblich ist die Zahl Brutto geteilt durch Ist-Stunden. Wer mit pauschalen Überstundenabgeltungen oder ungenauer Zeiterfassung arbeitet, riskiert eine Unterschreitung im Einzelmonat, auch wenn das Jahresgehalt rechnerisch passt. Bei Schichtbetrieben mit Zulagen ist die Rechnung anspruchsvoller, weil Sonn-, Feiertags- und Nachtzuschläge nicht immer mindestlohnwirksam sind.

Zweitens, die Stufenlogik in der Pflege. Wer Mitarbeitende von der Hilfskraft zur qualifizierten Hilfskraft hochstuft, muss den Stichtag 1.7.2026 in den Stammdaten verankern. Rückwirkende Korrekturen sind möglich, kosten aber Zeit und Vertrauen.

Drittens, Überstunden bei Mindestlohnempfänger:innen. Eine pauschale Abgeltung ist hier kritisch, weil jede zusätzliche Stunde den effektiven Stundenlohn drückt. In Hochlohngruppen, wo die Spreizung nach oben offen ist, bleibt eine pauschale Abgeltung im Arbeitsvertrag vertretbar, in den unteren Gruppen ist sie ein Compliance-Risiko.

Lohnkompression ist also nicht nur ein KI-Thema. Sie ist ein deutsches Strukturthema mit ökonomischer und regulatorischer Komponente. Die Payroll-Praxis sieht beide Seiten zuerst, lange bevor die Volkswirtschaft sie aggregiert.

FAQ

Was bedeutet Lohnkompression konkret?
Die Spreizung zwischen unteren und oberen Lohngruppen verkleinert sich. Das geschieht entweder ökonomisch, etwa wenn Erfahrene durch KI produktiver werden und stärkere Lohnzuwächse erhalten als Berufseinsteiger:innen, oder regulatorisch durch Mindestlohnerhöhungen, die das untere Ende anheben.

Verschwinden Junior-Developer-Stellen wirklich?
Die Anthropic-Daten zeigen einen Rückgang der Einstellungsrate für 22- bis 25-Jährige in KI-exponierten Berufen um 14 Prozent. Bei US-Tech-Riesen ist Entry-Level-Hiring von 2023 auf 2024 um 25 Prozent zurückgegangen. Die Stellen verschwinden nicht komplett, sie werden seltener.

Was ändert sich für die Lohnabrechnung 2026 und 2027?
Allgemeiner Mindestlohn 13,90 Euro ab 1.1.2026 und 14,60 Euro ab 1.1.2027. Pflege-Mindestlöhne in drei Stufen ab 1.7.2026: 16,52 Euro, 17,35 Euro, 21,03 Euro. § 1 MiLoG verlangt Einhaltung pro tatsächlich geleisteter Stunde, nicht pro Monatsbrutto.

Sind Überstunden bei Mindestlohnempfänger:innen pauschal abgeltbar?
Pauschale Abgeltungen sind kritisch, sobald jede zusätzliche Stunde den effektiven Stundenlohn unter den gesetzlichen Sockel drücken kann. Sicher ist eine genaue Erfassung und stundenbasierte Vergütung. Pauschalen funktionieren nur in Hochlohngruppen.

Was schützt Beschäftigte vor der Lohnkompression nach oben?
Erfahrungstiefe in der eigenen Branche, früher Aufbau von KI-Kompetenz und Aufgaben mit echtem Urteilsspielraum. Wer drei Jahre lang nur Routinearbeit erledigt, läuft Gefahr, in der nächsten Verschiebung zur Gruppe ohne Lohnzuwachs zu gehören.

Hat KI in Deutschland bereits messbare Effekte auf die Lohnstruktur?
Direkte deutsche Studien auf dem Niveau der Anthropic- oder Dallas-Fed-Daten gibt es bisher nicht. Die regulatorische Kompression durch Mindestlohnerhöhungen wirkt allerdings schon, und sie überlagert mögliche KI-Effekte am unteren Lohnende.

Quellen

• Anthropic — Labor market impacts of AI: A new measure and early evidence (Massenkoff & McCrory, März 2026): https://www.anthropic.com/research/labor-market-impacts
• Dallas Fed — AI is simultaneously aiding and replacing workers, wage data suggest (Feb 2026): https://www.dallasfed.org/research/economics/2026/0224