Programmierer über 55 verlassen den Arbeitsmarkt heute mit einer prognostizierten Rate, die um mehr als 25 % über dem Niveau vor ChatGPT liegt. Maler und Lackierer – ganz unten im selben Expositionsindex – bewegten sich um rund 2 % (Sanzenbacher, CRR Issue Brief 26-13, 2026).
Das ist der Erfahrungsverlust, und er läuft entgegengesetzt zu jeder Automatisierungserzählung, die Ihnen bisher präsentiert wurde. Je höher die Bezahlung, je höher die Qualifikation, desto schneller der Austritt.
Die meisten Operations-Teams im Mid-Market haben achtzehn Monate lang über den Junior-Einstieg nachgedacht – ob KI die Stelle des Nachwuchsanalysten frisst, ob die 22-jährige Neueinstellung noch einen Pfad hat. Diese Sorge ist gut belegt. Sie betrifft aber nur ein Ende einer Pipeline, die inzwischen an beiden Enden leckt.
Was das Boston-College-Papier tatsächlich gemessen hat
Der Issue Brief vom Juni 2026 des Center for Retirement Research am Boston College, verfasst vom Ökonomen Geoffrey T. Sanzenbacher, verknüpfte Längsschnittdaten der Current Population Survey mit dem KI-Expositionsindex von Tufts Digital Planet und verglich anschließend das Austrittsverhalten von Beschäftigten ab 55 Jahren vor und nach der breiten Verfügbarkeit generativer KI im November 2022 (Center for Retirement Research at Boston College, 2026).
Zwei Designentscheidungen verdienen Aufmerksamkeit.
Erstens verwendet die Studie beobachtete Übergänge aus der Erwerbstätigkeit heraus, nicht erklärte Ruhestandsabsichten. Umfragen zu älteren Beschäftigten und KI erfassen Angst. Diese Analyse erfasst den tatsächlichen Abgang.
Zweitens ordnet sie Berufe nach gemessener Exposition, nicht nach der Intuition, welche Tätigkeiten automatisierbar „wirken" (Digital Planet, Tufts University, 2026). Programmierer, Buchhalter und Analysten stehen oben. Maler unten. Der Gradient ist der Befund.
Für die am stärksten exponierten Bürotätigkeiten stieg die prognostizierte Wahrscheinlichkeit eines Austritts aus der Erwerbstätigkeit von rund 8,7 % auf 11,1 % – ein relativer Anstieg von über 25 %. Am schwach exponierten Ende ergibt dieselbe Rechnung etwa 2 %. Der Effekt ist in den besser bezahlten Jobs am größten, was das Muster umkehrt, dem Automatisierung vier Jahrzehnte lang gefolgt ist.
Der Langlebigkeitsvorteil, der sich gerade umgekehrt hat
Hier ist die Zahl, die Ihre Personalplanung neu rahmen sollte.
Über den gesamten Untersuchungszeitraum hatten hoch exponierte ältere Beschäftigte historisch niedrigere Austrittsraten als ihre gering exponierten Kollegen: 11,7 % gegenüber 14,1 % (Sanzenbacher, CRR Issue Brief 26-13, 2026). Qualifizierte Schreibtischarbeit war genau das, was längeres Arbeiten ermöglichte. Der Buchhalter blieb; beim Dachdecker versagte der Körper.
Dieser Vorteil erodiert, und das Papier weist darauf hin, dass ein erheblicher Teil der Veränderung auf Arbeitslosigkeit zurückgeht, nicht auf freiwilligen Ruhestand. Das ist keine Welle zufriedener Menschen, die früher aufhören. Es ist eine Gruppe, deren Laufbahn bislang die stabilste war und es zunehmend nicht mehr ist.
Lesen Sie das zusammen mit dem darunterliegenden Adoptionsbild: Nur etwa 18 % der 50- bis 64-Jährigen geben an, generative KI zu nutzen. Die Exposition trifft genau das Segment, das die Technologie, die sie erzeugt, am seltensten selbst nutzt.
Für eine Operations-Führungskraft ist diese Kombination – hohe Exposition, geringe Nutzung, steigende unfreiwillige Austritte – ein konkreter, adressierbarer Zustand. Keine demografische Zwangsläufigkeit.
Es lohnt sich außerdem, präzise zu sein, was „Austritt" hier bedeutet. Ein Übergang aus der Erwerbstätigkeit mit 58 ist nicht dasselbe Ereignis wie mit 28. Ältere Beschäftigte kehren selten auf gleichem Niveau zurück; die Rahmung des CRR lautet, dass hier Laufbahnen verkürzt und nicht pausiert werden (Sanzenbacher, CRR, 2026). Von Ihrer Seite des Tisches heißt das: Diese Person kehrt nicht in zwei Quartalen an den Markt zurück, damit Sie sie wieder einstellen können, wenn das KI-Pilotprojekt weniger liefert als versprochen. Das Wissen verlässt die Branche, nicht nur die Gehaltsliste.
Der Erfahrungsverlust trifft die Rollen, die Sie am langsamsten nachbesetzen
Stellen Sie den Boston-College-Befund neben die beste Evidenz vom anderen Ende der Altersverteilung.
Das Digital Economy Lab in Stanford fand auf Basis hochfrequenter Gehaltsabrechnungsdaten von Millionen US-Beschäftigten einen relativen Beschäftigungsrückgang von rund 13 % bei 22- bis 25-Jährigen in den am stärksten KI-exponierten Berufen nach Einführung generativer KI, während die Beschäftigung älterer Arbeitskräfte in denselben Berufen stabil blieb oder wuchs (Stanford Digital Economy Lab, 2025).
Naiv gelesen widersprechen sich beide Ergebnisse. Das tun sie nicht. Stanford misst Köpfe im Beruf; Boston College misst individuelle Austritte der 55+-Kohorte. Das eine ist ein Einstellungssignal, das andere ein Austrittssignal – beide können gleichzeitig zutreffen. Der Beruf kann seinen aggregierten Personalbestand halten, während die konkreten Menschen am Senior-Ende schneller abwandern.
Entscheidend ist die operative Konsequenz, und sie ist unbequem: weniger Juniors, die in den Trichter kommen, schnellere Senior-Abgänge und dazwischen die dünnste Schicht des Mid-Market. Ein Unternehmen mit 20.000 Beschäftigten fängt das ab. Es hat eine Bank, ein Rotationsprogramm und drei Personen, die jede Rolle plausibel übernehmen könnten.
Bei 200 Personen ist derjenige, der weiß, warum die Abstimmungslogik diese Ausnahme enthält, genau eine Person.
Was mit ihnen durch die Tür geht
Die Kosten eines Senior-Austritts sind nicht die Gehaltszeile, die Sie nicht mehr zahlen. Es sind zwei Dinge, die nie auf einer Zeile standen.
Das erste ist implizites Prozesswissen – die undokumentierten Gründe, warum ein System so konfiguriert ist, wie es ist. Jedes Mid-Market-Unternehmen läuft auf dieser Schicht, und sie bleibt unsichtbar, bis genau die Person geht, die sie trägt. Es ist die Ausnahme in der Umsatzrealisierungslogik, die es wegen eines Vertrags von 2019 gibt, der Lieferant, den man anrufen und nicht anschreiben muss, die Abfrage, die redundant aussieht und es nicht ist. Nichts davon steht im Handbuch. Das meiste davon existiert kein zweites Mal in einem anderen Kopf.
Es gibt davon eine Variante zweiter Ordnung, die KI verschärft statt abmildert. Dokumentations- und Code-Assistenten beschreiben gut, was ein System tut. Sie rekonstruieren schlecht, warum es so gebaut wurde, weil diese Begründung nie aufgeschrieben wurde. Das Werkzeug, das Ihre Exposition erhöht, schließt die Lücke nicht, die es öffnet.
Das zweite ist messbar, und es ist das, was die meisten Betriebspläne ignorieren. Die Arbeit neben qualifizierteren Kolleginnen und Kollegen erzeugt reale Humankapitalgewinne für die weniger erfahrenen – Effekte, die groß genug sind, um sich in späteren Löhnen zu zeigen, und die über unabhängige Forschungsgruppen hinweg konsistent sind (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). Ihre Senior-Leute produzieren nicht nur Output. Sie sind ein Ausbildungsinput für alle in ihrer Nähe.
Verlieren Sie diesen Input, während Sie gleichzeitig weniger Juniors einstellen, läuft der Zinseszins in die falsche Richtung. Ihnen fehlt nicht nur ein Kopf. Sie haben die Rate gesenkt, mit der der Rest des Teams besser wird.
Wo sich die Exposition konzentriert
Programmierer, Buchhalter, Finanzanalysten und Technische Redakteure sind das am stärksten betroffene Profil – was in einem Unternehmen mit 50 bis 500 Beschäftigten Finance, Engineering und jene kleine interne Systemfunktion bedeutet, die den Stack zusammenhält. Es sind zugleich, nicht zufällig, die Rollen mit der längsten Time-to-Productivity für eine Nachbesetzung.
Wo dieses Argument falsch sein könnte
Drei Einschränkungen, klar benannt, weil der Autor sie selbst benennt.
Dies ist eine frühe Analyse eines jungen Wendepunkts. Das Fenster nach ChatGPT ist kurz, und Schätzungen über kurze Fenster sind fragil.
Störfaktoren existieren und werden im Papier genannt: Kürzungen staatlicher F&E-Ausgaben und ungewöhnliche Einstellungsdynamiken bei KI-nativen Startups könnten die Schätzungen genau für die untersuchten hoch exponierten Berufe verzerren (Center for Retirement Research at Boston College, 2026). Ein Teil der gemessenen Austritte könnte diesen Kräften zuzurechnen sein und nicht der Verdrängung durch KI.
Und Exposition ist nicht Ersetzung. Ein hoher Wert in einem Expositionsindex bedeutet, dass sich die Aufgaben einer Rolle mit Modellfähigkeiten überschneiden. Er belegt nicht, dass ein Modell die Arbeit übernommen hat.
Was alle drei überlebt: Die Richtung ist die tragende Aussage, nicht die Nachkommastelle. Ein Langlebigkeitsvorteil für hochqualifizierte ältere Beschäftigte, der jahrzehntelang Bestand hatte, schrumpft – und er schrumpft dort am schnellsten, wo die Exposition am höchsten ist. Selbst eine deutlich abgeschwächte Version dieses Befundes richtet Ihr Risiko auf dasselbe Segment.
Was sich in einem Unternehmen mit 50–500 Mitarbeitenden ändert
Drei Schritte. Keiner braucht Budgetfreigabe.
Erstellen Sie einmal eine Kreuztabelle Exposition × Betriebszugehörigkeit. Nehmen Sie Ihren Personalbestand, markieren Sie jede Rolle anhand der Berufskategorien des Papiers als hoch oder gering KI-exponiert und kreuzen Sie sie mit Alter oder Betriebszugehörigkeit. Sie suchen eine einzige Zahl: Wie viel Ihrer am stärksten exponierten Arbeit liegt bei Menschen im letzten Jahrzehnt ihrer Laufbahn. Die meisten Operations-Verantwortlichen haben das nie berechnet und sind vom Ergebnis überrascht.
Verwandeln Sie Nähe in Dokumentation, bevor es dringend wird. Der Lerneffekt unter Kollegen ist real, setzt aber Präsenz voraus (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). Wo Ihre Kreuztabelle eine Konzentration anzeigt, finanzieren Sie die Extraktion jetzt – ein dokumentiertes Runbook, ein aufgezeichneter Walkthrough, eine namentlich benannte zweite Person im Prozess. Das ist günstig, solange die Person noch beschäftigt ist, und danach unmöglich.
Schließen Sie die Adoptionslücke gezielt in dieser Kohorte. Bei rund 18 % Nutzung generativer KI unter den 50- bis 64-Jährigen ist die Gruppe mit der höchsten Exposition die mit der geringsten Vertrautheit mit dem auslösenden Werkzeug. Gezielte Befähigung für Ihre erfahrenen technischen Fachkräfte ist die seltene Maßnahme, die Verdrängungsrisiko senkt und Output zugleich erhöht – und sie ist deutlich billiger, als diese Menschen zu ersetzen.
Eine Entscheidung für dieses Quartal
Sehen Sie sich Ihr Organigramm an und finden Sie die Rollen, die gleichzeitig hoch exponiert sind und von jemandem besetzt werden, der weniger als fünf Jahre vom Ruhestand entfernt ist. Beantworten Sie dann ehrlich eine Frage: Wenn diese Person am Freitag kündigt – wie lange dauert es, bis jemand anders die Arbeit machen kann? Nicht die Aufgaben, die Arbeit.
Wenn die Antwort in Quartalen gemessen wird, tragen Sie eine nicht eingepreiste Verbindlichkeit – und die Boston-College-Daten sagen, dass die zugehörige Wahrscheinlichkeit gerade gestiegen ist.
Jeder KI-Personalplan, der dieses Jahr im Mid-Market geschrieben wurde, schützt den Einstieg. Fast keiner schützt den Ausstieg. Der Erfahrungsverlust ist kein Ruhestandsproblem, das HR 2030 managen wird – es ist ein Operations-Problem, und es begann 2023.
Planen Sie den Austritt ein, mit dem Sie nicht rechnen – von der Person, die Sie nicht ersetzen können.
