„Wird KI meinen Job ersetzen?" ist die falsche Frage, und der Großteil der öffentlichen Debatte über KI und Arbeit liegt daneben, weil er sie trotzdem beantwortet. Der Job ist nicht die Analyseeinheit. Die Aufgabe ist es. Und Aufgaben sitzen nicht alle auf demselben Spektrum der Ersetzbarkeit — sie fallen in eine von vier ökonomisch klar unterscheidbaren Klassen. Sobald man die Klassen sieht, verändert die Frage ihre Form: nicht kann KI meine Rolle übernehmen, sondern welcher Anteil meiner Rolle liegt in welcher Klasse, und was das für Kosten, Vergütung und die Frage bedeutet, wofür man das nächste Jahr seiner Laufbahn einsetzt.
Dies ist die kanonische Wagecore-Taxonomie. Wir ordnen jede Aufgabe in jedem Wagecard genau einer dieser vier Klassen zu, und die zentrale Kennzahl zur Substitutionsexposition ist ein gewichtetes Aggregat über sie hinweg. Das Framework stützt sich auf ein Jahrzehnt automatisierungsökonomischer Literatur (Autor, Frey/Osborne, Brynjolfsson, Acemoglu) plus die KI-Einsatz-Nachanalysen der letzten drei Jahre. Der eigene Beitrag liegt darin, sich auf eine kleine, sich gegenseitig ausschließende Aufteilung festzulegen, auf der die Mathematik aufsetzen kann.
Klasse 1: Ersetzbar (replaceable)
Eine Aufgabe ist ersetzbar, wenn KI sie durchgängig mit minimaler menschlicher Aufsicht erledigt, bei Prüfquoten unter 10 % und einem Fehlerkosten-Niveau, das niedrig genug ist, dass die Fälle, in denen die KI danebenliegt, die Einsparungen aus den Fällen, in denen sie richtig liegt, nicht aufzehren. Die Arbeit ist begrenzt, repetitiv, strukturiert, und die Folgen eines einzelnen Fehlers sind kostengünstig zu beheben.
Konkrete Beispiele: das Weiterleiten eines eingehenden Support-Tickets in die richtige Warteschlange, das Extrahieren strukturierter Daten aus Rechnungen in ein ERP-System, OCR plus Erstklassifizierung eingehender Formulare, das Erzeugen von Produktbeschreibungen aus einer SKU und einem Bild, das Zusammenfassen eines langen Meeting-Transkripts zu Handlungspunkten, das Transkribieren von Audio. Das sind Aufgaben, bei denen der Output der KI in dem Moment geprüft wird, in dem er ein nachgelagertes Signal erzeugt (das Ticket ging in die falsche Warteschlange → ein Mensch verschiebt es), und nicht Wochen später vor Gericht.
Die meisten Rollen haben einen von null verschiedenen Anteil an ersetzbarer Arbeit. Sogar Chirurgen haben einen kleinen: das Diktieren klinischer Notizen ist in vielen Praxen inzwischen ersetzbar. Sogar Therapeuten haben ihn: Terminvergabe, Aufnahmeformulare, Versicherungsprüfung. Der Fehler besteht darin anzunehmen, der ersetzbare Anteil einer Rolle sei die ganze Rolle. Meist sind es 15–35 % der Zeit einer Wissensarbeiterin oder eines Wissensarbeiters.
Klasse 2: KI-erweitert (ai-augmented)
Eine Aufgabe ist KI-erweitert, wenn die KI die erste Version erzeugt, der Mensch die letzten 20–30 % verantwortet und genau dieser letzte Anteil derjenige ist, aus dem der Wert entsteht. Die KI erledigt den Großteil der Tipparbeit; der Mensch liefert Urteilsvermögen, Kontext und die Verantwortung für das, was ausgeliefert wird.
Konkrete Beispiele: das Schreiben einer Marketing-E-Mail (KI-Entwurf, Mensch verfeinert für Tonlage und Zielgruppe), das Aufsetzen eines anwaltlichen Mahnschreibens (KI zieht Präzedenzfälle und Struktur heran, die Anwältin bringt die fallspezifischen Fakten ein), das Erzeugen von Code für ein Feature (KI schreibt das Gerüst, der Entwickler integriert es in die Codebasis und behandelt Grenzfälle), das Erstellen von Folien für einen Kundenpitch (KI baut das Layout, die Vertrieblerin überarbeitet die Positionierung), das Vorbereiten eines Finanzmodells (KI baut die Vorlage, die Analystin justiert die Annahmen).
Für die meisten Wissensarbeiter ist dies die größte einzelne Klasse, typischerweise 25–40 % der Zeit. Es ist auch die Klasse mit dem größten Wachstumspotenzial, während die Modelle besser werden und die Fläche menschlicher Prüfung schrumpft. Doch sie hat eine Obergrenze: Solange der Mensch für das Ausgelieferte einsteht, muss er die Arbeit gut genug beherrschen, um die Fehler der KI zu erkennen — was bedeutet, dass der Mensch weiterhin im Prozess bleibt, weiterhin bezahlt werden muss und weiterhin die zugrunde liegende Kompetenz haben muss. KI-Erweiterung ist kein Weg zu null Personal; sie ist ein Weg zu Hebelwirkung.
Klasse 3: Menschlich geführt, KI-unterstützt (human-led, AI-assisted)
Das Gegenstück zur KI-Erweiterung. Der Mensch führt; die KI ist ein Werkzeug — schnelles Nachschlagen, Zusammenfassung, Code-Vervollständigung, Recherche. Der Mensch denkt und trifft die Entscheidungen; die KI verkürzt die Zeit zwischen Frage und relevanter Information. Nähme man die KI weg, würde die Arbeit trotzdem erledigt, nur langsamer.
Konkrete Beispiele: eine Ärztin, die vor einer Diagnose die Literatur nach ähnlichen Fällen durchsucht, ein Anwalt, der die KI bittet, in einem 300-seitigen Vertrag die Klausel zu finden, die einer Position widerspricht, eine Ingenieurin, die nach der Syntax einer Bibliothek fragt, die sie zuletzt vor drei Jahren genutzt hat, eine Lehrkraft, die Arbeitsblatt-Varianten erzeugt, um eine Unterrichtsstunde zu differenzieren, ein Architekt, der KI nutzt, um eine bereits entworfene Fassadenvariante zu rendern.
Rollen in regulierter, folgenschwerer oder beziehungsintensiver Arbeit sammeln sich stark hier: 30–50 % der Zeit. Die KI trifft die Entscheidungen nicht, trägt die Verantwortung nicht und darf es auch nicht — entweder per Gesetz (medizinische, rechtliche Beratung) oder durch die Physik der Arbeit (die Therapiesitzung, die Kundenbeziehung, der Teamkonflikt). Was sie tut, ist den Menschen bei den Teilen seiner Arbeit schneller zu machen, die informationsgebunden sind statt urteilsgebunden.
Klasse 4: Menschlich unverzichtbar (human-critical)
Eine Aufgabe ist menschlich unverzichtbar, wenn KI keinen Nettonutzen liefert, oft sogar negativen Nutzen, weil der Wert der Aufgabe in etwas liegt, das die KI nicht erzeugen kann: Vertrauen, Verantwortung, Ambiguitätstoleranz, relationales Urteilsvermögen, Überzeugungskraft unter Druck, das kontextuelle Lesen eines unbekannten Raums. Das sind keine Aufgaben, zu denen die KI nur noch nicht aufgeschlossen hat. Es sind Aufgaben, bei denen die plausibel klingende KI selbst der Versagensmodus ist.
Konkrete Beispiele: eine erfahrene Vertrieblerin, die einen ins Stocken geratenen Deal liest und entscheidet, ob sie eskaliert oder sich zurückzieht, eine Führungskraft, die einer Mitarbeiterin, die seit fünfzehn Jahren im Unternehmen ist, eine harte Nachricht überbringt, ein Therapeut, der schweigend dasitzt, während sich eine Klientin sammelt, ein Aufsichtsratsmitglied, das die Zuversichtsaussage eines CEO gegen das abgleicht, was es beim Mittagessen gesehen hat, eine investigative Journalistin, die entscheidet, welcher von zwei widersprüchlichen Quellen sie glaubt, eine Lehrkraft, die bemerkt, dass eine sonst engagierte Schülerin still geworden ist, und entscheidet, ob sie es jetzt oder später unter vier Augen anspricht.
Menschlich unverzichtbare Arbeit ist das, was nicht skaliert, und genau darum geht es. Hier lebt auch die Preissetzungsmacht. Rollen, die zu 40 % oder mehr menschlich unverzichtbar sind, sind die Rollen, in denen der KI-Einsatz die Arbeit pro Stunde wertvoller macht, nicht weniger wert — denn die Erweiterung schält die Zeit mit geringerer Hebelwirkung heraus und konzentriert die Vergütung auf den nicht reduzierbaren Kern.
Die meisten Rollen sind eine Mischung, keine einzelne Klasse
Hier ist der Teil, den die öffentliche Debatte immer wieder falsch versteht: sehr wenige Rollen sind zu 100 % in einer einzelnen Klasse. Die tatsächliche Wochenzeit einer Softwareentwicklerin könnte grob bei 20 % ersetzbar liegen (Boilerplate, Ticket-Triage), 35 % KI-erweitert (Feature-Umsetzung unter Review), 30 % menschlich geführt, KI-unterstützt (das Debuggen kniffliger Produktionsprobleme, Architekturentscheidungen), 15 % menschlich unverzichtbar (Aushandeln des Umfangs mit einem PM, Mentoring einer Nachwuchskraft, Navigieren durch einen politisch aufgeladenen Code-Review). Eine Teamleitung im Kundensupport könnte bei 30 % ersetzbar liegen (Tier-1-Ticketbearbeitung), 25 % KI-erweitert (Entwerfen von Makros und Richtliniendokumenten), 30 % menschlich geführt, KI-unterstützt (Bearbeiten von Eskalationen, die die KI nicht entschärfen kann), 15 % menschlich unverzichtbar (Einzelgespräche mit Teammitgliedern, Konfliktmoderation, Leistungsgespräche).
Die Verteilung zählt mehr als jede einzelne Zahl. Eine Rolle, die zu 80 % ersetzbar ist, gerät preislich unter Druck, selbst wenn ihre durchschnittliche Aufgabe nicht trivial ist, weil die Einsatzökonomie eindeutig ist. Eine Rolle, die zu 50 % menschlich unverzichtbar ist, behält ihre Preissetzungsmacht, selbst wenn der Rest auf null automatisiert wird — und die durchschnittliche Vergütung pro verbleibender Stunde wird steigen.
Warum die vierteilige Aufteilung (und nicht drei oder sechs)
Frühere Frameworks nutzten zwei Klassen (ersetzt / nicht ersetzt) oder drei (ersetzt / erweitert / unberührt). Zwei ist zu grob — es fasst KI-erweitert und menschlich unverzichtbar zu „nicht ersetzt" zusammen, was die zentrale Wahrheit verbirgt, dass Erweiterung die Preissetzungsmacht steigern kann, während ersetzbare Arbeit sie abträgt. Drei ist näher dran, faltet aber die ökonomisch am klarsten unterscheidbaren Fälle — menschlich geführt, KI-unterstützt gegenüber menschlich unverzichtbar — in einen einzigen Behälter. Sie verhalten sich unterschiedlich. Eine Diagnose ist menschlich geführt, KI-unterstützt (die KI hilft bei der Literaturrecherche). Eine Patientin, die ihrem Arzt sagt, dass sie ihrem Ehepartner nicht traut, ist menschlich unverzichtbar (die KI steht aktiv im Weg).
Sechs oder mehr Klassen bedeuten Überanpassung. Die zusätzliche Feinkörnigkeit trägt keinen ökonomischen Gehalt mehr und wird ästhetisch. Vier bildet sauber die Dimensionen ab, die die Kosten pro Aufgabe tatsächlich bewegen: wer die Arbeit macht, wer die Verantwortung trägt, wie oft geprüft wird und was der Fehler kostet.
Wo dies Ihre Denkweise verändert
Drei praktische Verschiebungen ergeben sich daraus, die vier Klassen im Kopf zu behalten:
Laufbahnplanung ist Portfolio, nicht Kategorie. Die Frage lautet nicht „ist meine Rolle sicher" (was Binärität unterstellt). Sie lautet „wie sieht meine Klassenmischung aus, und in welche Klassen möchte ich hineinwachsen." Der verlässliche Zug ist, die Zeit zugunsten menschlich unverzichtbarer und menschlich geführter, KI-unterstützter Arbeit zu gewichten, selbst innerhalb einer Rolle, die am ersetzbaren Ende des Spektrums begann.
Organisationsdesign folgt der Verteilung. Ein Team, das gegen eine Arbeitslast antritt, die zu 60 % ersetzbar ist, schrumpft im Personalbestand, behält oder steigert aber die Vergütung pro verbleibendem Platz. Ein Team, das gegen 60 % menschlich unverzichtbare Arbeit antritt, schrumpft gar nicht und wird schwerer zu besetzen, nicht leichter. Das Organigramm von 2028 sieht anders aus als das von 2024, nicht weil sich der Gesamtpersonalbestand halbiert hat, sondern weil sich die Mischung pro Rolle verschoben hat.
Der ROI des KI-Einsatzes folgt den Klassen. Ersetzbare Aufgaben erzeugen schnellen, gut begründbaren ROI, wenn sie automatisiert werden. KI-erweiterte Aufgaben erzeugen Produktivitätsgewinne, keine Personaleinsparungen — der ROI ist real, aber es ist eine Geschwindigkeitsgeschichte, keine Kostengeschichte. Menschlich geführte, KI-unterstützte Aufgaben erzeugen kleine Gewinne pro Stunde, die kein eigenständiges Einsatzprojekt rechtfertigen. Menschlich unverzichtbare Aufgaben haben einen negativen Einsatz-ROI — die KI schleust Fehler ein, die der Mensch nun beseitigen muss. Das ist die Disziplin, die die meisten gescheiterten KI-Rollouts übersprungen haben: sie setzten die KI gegen Aufgaben ein, die in Wahrheit nicht in Klasse 1 lagen.
Das vollständige Bild für Ihre Rolle
Wagecore berechnet die Vierklassen-Verteilung für jede Rolle, die Sie beschreiben. Der Assistent dauert etwa zwei Minuten und die Methodik ist offen unter /methodology einsehbar. Sie sehen genau, wie sich Ihre Arbeit über die Klassen aufteilt, welche operativen Kosten die KI tragen würde, um den ersetzbaren Anteil zu erledigen, wo sich Ihr menschlicher Vorteil konzentriert, und die zentrale Kennzahl zur Substitutionsexposition, die sich aus der Mischung ableitet. Nichts davon ist Prognose. Es ist Messung gegen die heutige Fähigkeitsmatrix, monatlich aktualisiert.
Wenn die hiesige Rahmung nützlich ist, ist die verwandte, tiefere Lektüre zur operativen Ökonomie Warum operative KI-Kosten das 3- bis 10-Fache dessen betragen, was die Demo zeigt — sie knüpft dort an, wo dieser Text aufhört, und führt durch das, was es tatsächlich kostet, KI gegen eine Klasse-1-Aufgabe in der Produktion einzusetzen.