Wer heute keine Juniors ausbildet, hat morgen keine Seniors mit Urteil

Im ersten Halbjahr 2026 gab es im Marketing 75 Prozent weniger Stellenanzeigen für Berufseinsteiger als im ersten Halbjahr 2022. Die naheliegende Erklärung lautet: KI. Die Daten geben das für Deutschland bisher nicht her. Das eigentliche Risiko liegt woanders, und es kommt später. Wer jetzt keine Juniors mehr einstellt, weil KI ihre Aufgaben erledigt, hat in fünf Jahren niemanden mehr, der beurteilen kann, ob die KI gute Arbeit gemacht hat.

Wir haben gerade eine Stelle für eine Werkstudentin oder einen Werkstudenten ausgeschrieben. Hier steht, warum.

Berufseinsteiger finden schwerer einen Job, im Marketing besonders

Die Zahl der Stellenanzeigen für Berufseinsteiger ist in Deutschland deutlich gesunken. Gemeint sind Junior-Stellen, Trainee-Programme und andere Entry-Level-Jobs für Leute direkt nach dem Abschluss. Laut Indeed lagen sie im Juli 2026 um 46 Prozent unter dem Niveau von 2019. Der Gesamtmarkt lag zur selben Zeit noch 8 Prozent darüber. Es trifft also gezielt den Einstieg.

Das Indeed Hiring Lab hat sich auch die einzelnen Berufe angesehen. Marketing gehört zu den am stärksten betroffenen Bereichen: minus 75 Prozent vom ersten Halbjahr 2022 bis zum ersten Halbjahr 2026. Ähnlich sieht es in der IT und im Projektmanagement aus. Auch Praktika und Werkstudierendenjobs sind seltener geworden, minus 24 Prozent gegenüber 2019.

Die Bundesagentur für Arbeit sieht dasselbe Bild von der anderen Seite. Die Arbeitslosenquote von Akademikerinnen und Akademikern lag 2025 bei 3,3 Prozent, zum ersten Mal seit 2007 über drei Prozent.

Bisher erklärt die Konjunktur mehr als KI

Nimmt KI den Berufseinsteigern also die Jobs weg? Für Deutschland lautet die Antwort bisher: nein. KI ist nicht die Hauptursache für den Rückgang, zumindest noch nicht. Das zeigt die bisher gründlichste deutsche Analyse. Das Institut für Arbeitsmarkt- und Berufsforschung (IAB) hat im Oktober 2026 die Daten von rund 22 Millionen Vollzeitbeschäftigten ausgewertet. Ergebnis: Junge Beschäftigte in KI-nahen Berufen haben nicht signifikant stärker verloren als in anderen Berufen. Die Wirtschaftsschwäche wirkt mehr als doppelt so stark.

Dazu passt ein Detail aus den Indeed-Daten: Der Rückgang begann vor ChatGPT. Einstiegsstellen reagieren schlicht empfindlicher auf schlechte Zeiten. Wer sparen muss, stellt zuerst niemanden mehr ein, den er erst einarbeiten muss.

Das IAB schreibt deshalb „Entwarnung mit Vorbehalt“. Der Vorbehalt kommt aus den USA. Eine Studie des Stanford Digital Economy Lab hat Lohndaten von Millionen Beschäftigten ausgewertet. Bei 22- bis 25-Jährigen in KI-exponierten Berufen liegt die Beschäftigung 19 Prozent unter dem Wert, den sie hätte, wenn sie mit weniger betroffenen Gleichaltrigen mitgehalten hätte. Bei Erfahrenen gibt es diese Lücke nicht. Und sie entsteht nicht durch Entlassungen, sondern durch weniger Neueinstellungen. Die Autoren nennen das selbst ein frühes Signal, keinen Beweis.

Wie so ein Signal von innen aussieht, hat Anthropic vor wenigen Tagen für das eigene Unternehmen offengelegt. Der Anteil der Juniors an den Neueinstellungen in technischen Teams fiel dort von 27 auf 9 Prozent. Gleichzeitig tauchen in den Bewertungen von Bewerbungsgesprächen immer öfter zwei Wörter auf: Autonomie und Urteilsvermögen.

Firmen suchen also genau die Fähigkeit, die man nur durch Erfahrung bekommt. Und stellen weniger Leute ein, die diese Erfahrung sammeln könnten.

KI wird zum Vorwand, nicht mehr auszubilden

Das Risiko liegt nicht darin, dass KI heute Einstiegsjobs vernichtet. Es liegt darin, dass Unternehmen mit KI begründen, warum sie keine Juniors mehr einstellen. Recherchieren, Zusammenfassen, erste Entwürfe schreiben, Varianten bauen, Korrektur lesen: Das war nie nur Zuarbeit. Das waren die Lehrjahre.

Wer zum hundertsten Mal eine Pressemitteilung kürzt, lernt, was eine Nachricht ist. Wer zwanzig Kampagnenideen baut und achtzehn davon verworfen bekommt, lernt, was eine Marke aushält. Dieses Wissen steht in keinem Handbuch. Es entsteht durch Wiederholung und durch jemanden, der sagt: Nein, so nicht, und zwar deshalb.

Der Organisationsforscher Matt Beane hat untersucht, was passiert, wenn dieser Lernweg wegbricht. In der robotergestützten Chirurgie konnten angehende Chirurginnen und Chirurgen kaum noch selbst operieren, weil die erfahrenen Kollegen die Maschine steuerten. Kompetent wurden nur die wenigen, die sich auf eigene Faust Übung verschafften, oft gegen die Regeln. Beane nennt das Shadow Learning. Die offizielle Ausbildung hatte versagt, und kaum jemand hatte es bemerkt.

Anthropic schreibt im eigenen Bericht einen Satz, der das gut zusammenfasst: „Employment protections for incumbents will not benefit those not hired to begin with.“ Schutz für die, die schon drin sind, nützt denen nichts, die gar nicht erst reinkommen.

Urteil entsteht durch Übung, nicht durch Abkürzung

Urteilsvermögen ist die Fähigkeit, die gerade alle von Fachkräften verlangen. Man kann es nicht überspringen. Das zeigen mehrere Experimente, auch wenn jedes für sich klein ist.

Anthropic hat 52 Entwicklerinnen und Entwickler eine neue Programmbibliothek lernen lassen, die Hälfte mit KI-Assistent. Im anschließenden Wissenstest erreichte die KI-Gruppe 50 Prozent, die Gruppe ohne KI 67 Prozent. Am größten war die Lücke beim Debugging, also beim Finden von Fehlern. Schneller war die KI-Gruppe kaum. Wer die KI zum Nachfragen nutzte, lernte. Wer die Arbeit an sie abgab, schnitt am schlechtesten ab.

Bei fast 1.000 Schülerinnen und Schülern in der Türkei war es ähnlich. Mit KI ohne Leitplanken lösten sie Übungsaufgaben besser, schnitten aber in der Prüfung ohne KI 17 Prozent schlechter ab als die Kontrollgruppe. Eine Version, die nur Hinweise gab statt Lösungen, schadete nicht.

Fair ist auch der Gegenbefund. Eine große Studie im Kundenservice zeigte, dass gerade Neulinge am meisten von KI profitieren: plus 34 Prozent Produktivität, bei Erfahrenen kaum ein Effekt. KI kann Lernen also beschleunigen. Aber nur, wenn jemand sie als Lernhilfe einsetzt und nicht als Ersatz für das Lernen.

Das deckt sich mit meiner eigenen Forschung zu KI in der Hochschullehre. Dasselbe KI-Werkzeug wirkte dort völlig unterschiedlich: Manche Studierende lernten damit, andere umgingen das Lernen. Den Unterschied machte die Kompetenz der Menschen, nicht die KI. Im AI Literacy Heptagon steht das Bewerten deshalb ganz oben. Dort kommt nur an, wer vorher angewendet und analysiert hat.

An den Hochschulen ist KI angekommen, die Kompetenz dafür noch nicht. Fast die Hälfte der Studierenden nutzt KI inzwischen täglich, zeigt eine Befragung des CHE unter 28.584 Studierenden, vor allem aus Wirtschaft und Recht. Die Angebote ihrer Hochschule, um KI-Kompetenz zu erwerben, bewerten sie im Schnitt mit 3,3 von 5 Sternen. Und nur 29 Prozent prüfen KI-Ergebnisse grundsätzlich nach, so die Studierendenstudie von EY mit mehr als 2.000 Befragten. Eigentlich müsste AI Literacy viel früher beginnen, nämlich in der Schule. Dafür gibt es jetzt einen Rahmen. Am 16. Oktober 2026 hat die Kultusministerkonferenz ihren Kompetenzrahmen „Bildung in der digitalen Welt“ um KI erweitert, angelehnt an das AI-Literacy-Framework von OECD und EU-Kommission. Darin steht ausdrücklich, dass Schülerinnen und Schüler KI-generierte Ergebnisse kritisch bewerten und einordnen sollen. Bis das bei den Berufseinsteigern ankommt, vergehen allerdings Jahre. Steigen die Unternehmen in der Zwischenzeit aus, bleibt die Lücke offen.

Warum wir ein Werkstudium anbieten und keine Ausbildung

Wir sind ein kleines Team und arbeiten komplett remote. Eine duale Berufsausbildung können wir deshalb nicht anbieten. Seit 2024 erlaubt das Berufsbildungsgesetz zwar ausdrücklich mobiles Ausbilden, aber nur in angemessenem Umfang und als Ergänzung zu einer Ausbildungsstätte, die die IHK anerkennt. Die haben wir nicht.

Die Ausbildung selbst steht übrigens erstaunlich stabil da. Laut Indeed gibt es rund 50 Prozent mehr ausgeschriebene Ausbildungsplätze als 2019. Wer dort ausbildet: Respekt. Ihr macht genau das, worum es hier geht.

Was wir anbieten können, ist ein Werkstudium. Feste Aufgaben, die man wiederholt macht und dadurch wirklich gut kann. Echte Kundenprojekte statt Übungsfälle. Und Menschen, die Feedback geben, bevor etwas rausgeht. Also genau das, was die Studien als Unterschied zwischen Lernen und Abkürzen beschreiben.

Dass das funktioniert, wissen wir aus eigener Erfahrung. Kathi kam 2024 aus der Humanbiologie zu uns. Heute verantwortet sie Content und Kommunikation, setzt unsere Website um und betreut die Google Ads. Niemand hat ihr das in einem Kurs beigebracht. Sie hat es bei uns gelernt, an echter Arbeit, mit KI und mit Menschen, die mitgelesen haben.

Zum Mitnehmen: die Inventur der Lernaufgaben

Wenn du ein Team führst, mach diese Inventur einmal mit deinem Team. Dauer: eine Stunde.

1. Liste die Einstiegsaufgaben. Was haben neue Leute bei euch vor drei Jahren in ihrem ersten Jahr gemacht? Recherche, Entwürfe, Varianten, Reportings, Korrekturen.
2. Markiere, was heute die KI macht. Ganz oder teilweise.
3. Frag bei jeder markierten Aufgabe: Was hat man dabei gelernt? Quellen prüfen. Den Ton einer Marke treffen. Merken, wann eine Zahl nicht stimmen kann.
4. Entscheide, wo dieses Lernen jetzt stattfindet. Zum Beispiel: Erst selbst einen Entwurf schreiben, dann mit dem KI-Ergebnis vergleichen und begründen, welcher besser ist. Oder KI-Ergebnisse kommentieren lassen, bevor sie weitergehen.
5. Plane menschliches Feedback fest ein. In meiner Forschung bewerteten Studierende menschliches Feedback als verständlicher und konkreter als KI-Feedback, obwohl das KI-Feedback technisch zuverlässig war. KI kann schnell rückmelden. Erklären, warum etwas nicht passt, kann eine Seniorin besser.

Wenn bei Schritt 4 eine Lücke bleibt, hast du das Problem gefunden, bevor es in fünf Jahren teuer wird.

Mehr dazu, welche Kompetenzen ein Team für die Arbeit mit KI braucht, steht im Beitrag zum AI Literacy Canvas. Und warum Qualität zur knappen Ressource wird, wenn alle schnell produzieren, beschreibt der Beitrag über AI Slop und Vertrauen.