Im vergangenen Jahr gaben 32 Prozent der Befragten gegenüber McKinsey an, sie erwarteten, dass KI die Belegschaft ihrer Organisation verkleinert. In diesem Jahr, gefragt nach dem tatsächlichen Verlauf, berichteten 14 Prozent der Befragten in KI-nutzenden Organisationen, dass KI zu einem Rückgang der Belegschaftsgröße beigetragen habe — "weniger als die Hälfte der 32 Prozent, die in der Befragung des Vorjahres für denselben Zeitraum Personalreduzierungen erwarteten" (McKinsey, 2026). Zwei Drittel berichteten von geringer oder gar keiner KI-bedingten Veränderung der Gesamtbeschäftigung.
Das ist das erste Mal, dass diese Befragung ihre eigene KI-Personalprognose gegen ein realisiertes Ergebnis bewerten kann. Die Prognose lag um etwa den Faktor zwei daneben.
Dann hat das Panel sie erhöht. Neununddreißig Prozent erwarten nun für das kommende Jahr KI-bedingte Rückgänge der Gesamtbeschäftigung, gegenüber 32 Prozent im Vorjahr. Der Schätzer, der um 2x überschoss, wurde nach oben korrigiert, nicht nach unten — und eine große Zahl operativer Pläne für 2027 stützt sich still darauf.
Was die Befragung tatsächlich gemessen hat
Die Ausgabe 2026 von The State of AI befragte 1.719 Teilnehmende in 97 Ländern, erhoben vom 4. Mai bis 8. Juni 2026. Sechsunddreißig Prozent arbeiten in Organisationen mit über 1 Milliarde US-Dollar Jahresumsatz, womit rund zwei Drittel darunter liegen — ungewöhnlich relevant für eine Leserschaft im Mid-Market, auch wenn das Panel größer ausfällt als ein Betrieb mit 200 Vollzeitstellen.
Der Kontext zählt, weil nicht die Adoption die Variable ist, die versagt hat. Neunundachtzig Prozent nutzen KI regelmäßig in mindestens einer Geschäftsfunktion. Vierundvierzig Prozent sagen, sie skaliere unternehmensweit, gegenüber 38 Prozent. Achtzig Prozent berichten von verbesserter individueller Produktivität (McKinsey, 2026).
Die Abfolge lautet also nicht "KI kam nicht, deshalb sank der Personalstand nicht". KI kam, Produktivität wurde berichtet, und der Personalstand sank trotzdem nicht. Gleichzeitig blieb der Anteil, der dem KI-Einsatz zumindest einen gewissen EBIT-Effekt zuschreibt, im Jahresvergleich unverändert bei 37 Prozent, und die Gruppe der echten High Performer hielt sich bei etwa 6 Prozent aller Befragten.
Die Diffusion hat sich bewegt. Die realisierte Personalreduzierung folgte ihr nicht.
Die realisierten Daten stützen die 14 Prozent
Eine Befragung, die sich selbst bewertet, ist interessant. Zwei unabhängige Datensätze, die in dieselbe Richtung zeigen, sind ein Planungsinput.
Das National Bureau of Economic Research befragte knapp 750 Führungskräfte über das Panel von The CFO Survey und fand "kaum Belege für kurzfristige aggregierte Beschäftigungsrückgänge durch KI, wobei größere Unternehmen KI-getriebene Personalreduzierungen erwarten, während kleinere Firmen mit moderaten Zuwächsen rechnen" (NBER, 2026). Der aggregierte Effekt liegt nahe null, und die Streuung ist der Befund: Große Unternehmen erwarten, dass KI ihre Beschäftigung 2026 um rund 0,8 Prozent senkt, während kleinere Firmen leichte Zuwächse erwarten. Was sich bewegt, ist die Zusammensetzung — rückläufige Routine-Sachbearbeitung, steigende relative Nachfrage nach qualifizierten technischen Rollen, innerhalb von Unternehmen und zwischen ihnen.
Die Daten zu angekündigten Entlassungen stützen das aus einem dritten Winkel. Bis September 2026 kündigten US-Arbeitgeber 573.195 Stellenstreichungen an, 39 Prozent weniger als die 946.426 in den ersten neun Monaten 2025 — der niedrigste Januar-bis-September-Wert seit 2022. KI wurde seit Jahresbeginn in 120.136 Ankündigungen genannt, etwa 21 Prozent aller Streichungen, womit sie tatsächlich der am häufigsten genannte Grund des Jahres ist (Challenger, Gray & Christmas, 2026).
Lesen Sie diese beiden Zahlen zusammen, denn die zweite wird gern allein zitiert. KI führt die Gründetabelle innerhalb einer schrumpfenden Gesamtsumme. Im September selbst war KI der fünfthäufigste Grund, mit 3.961 Streichungen oder rund 9 Prozent des Monats. Die Streichungen im dritten Quartal fielen um 43 Prozent gegenüber dem zweiten.
Ein steigender Anteil an einem fallenden Nenner ist keine Welle. Es ist eine Verschiebung der Zusammensetzung in einem sich abkühlenden Markt.
Warum die KI-Personalprognose nur in eine Richtung irrt
Ein Prognosefehler, der konsistent überschießt, ist meist strukturell, nicht zufällig. Forresters Predictions 2026: The Future of Work benennt den Mechanismus: Einschnitte gegen KI-Fähigkeiten, die es noch nicht gibt. Fünfundfünfzig Prozent der Arbeitgeber bedauern Entlassungen, die für KI vorgenommen wurden, und Forrester prognostiziert, dass die Hälfte der KI-zugeschriebenen Entlassungen still wieder eingestellt wird — offshore oder zu deutlich niedrigeren Gehältern (HR Executive, 2026).
Beachten Sie die Asymmetrie in diesem letzten Satzteil. Die Umkehr erscheint in keinem Plan als Korrektur. Sie erscheint als Offshore-Aufwand, als Dienstleisterposition und als Kosten für erneute Rekrutierung — keine davon lässt sich gegen die ursprüngliche Personaleinsparung abstimmen. Die Prognose bleibt im internen Berichtswesen unfalsifiziert, selbst wenn sie längst gescheitert ist.
Zwei weitere Details aus derselben Forschung verschärfen die Kosten. Der Anteil der entkoppelten Beschäftigten, die Forrester "Coasters" nennt, lag 2024 bei 27 Prozent, 2025 bei 25 Prozent und soll 2026 auf 28 Prozent steigen — eine Zahl, die sich bewegt, wenn die Verbliebenen vorzeitige Einschnitte beobachten. Und nur 16 Prozent der Beschäftigten erreichten 2025 einen hohen Wert auf Forresters KI-Reifemaß, wobei die höchste Reife in der Kohorte konzentriert ist, deren Einstiegsrollen zuerst gestrichen werden.
Der Planungsfehler, klar benannt
Der Fehler ist nicht Optimismus über KI. Es ist die Verbuchung erwarteter Personalreduzierung als realisierte Basislinie, ein Jahr zu früh, und der darauf aufgebaute Stopp von Nachbesetzungen.
Erwartete Veränderung ist eine Prognose mit einer nun dokumentierten Einjahres-Fehlerquote. Realisierte Veränderung ist eine Messung. Nur eine von beiden gehört in einen Plan, der echtes Geld bindet.
Der ehrliche Gegeneinwand
Drei Grenzen, genannt, bevor sie jemand anders nennt.
Das sind selbstberichtete Befragungsdaten, keine Lohnabrechnung. Niemand hat die Personalbestände dieser Organisationen geprüft. Die Zuschreibung einer Personalveränderung speziell an KI ist auf Befragtenebene eine Einschätzung, und Zuschreibung ist genau der Punkt, an dem Selbstbericht am schwächsten ist. Derselbe Vorbehalt gilt für die NBER-Zahlen, die Erwartungen von Führungskräften sind, keine realisierten Payroll-Ergebnisse.
Das Panel ist im Jahresvergleich nicht identisch. McKinsey gibt an, die Befragten geprüft zu haben, die sowohl die Welle 2025 als auch 2026 abgeschlossen haben, und dass die Befunde die Gesamtstichprobe widerspiegelten. Ein wechselndes Panel bleibt aber eine echte Grenze dafür, 32 Prozent und 14 Prozent als dieselben Personen im Widerspruch zu lesen.
Die Erwartung kann einfach zu früh statt falsch sein. Fähigkeit folgt der Ankündigung, und Rollout folgt der Fähigkeit. Eine für 2025 prognostizierte Reduzierung, die 2027 eintritt, war falsch terminiert, nicht falsch gedacht — und die NBER-Daten zur Zusammensetzung, mit einem bis 2028 weiter sinkenden Routine-Sachbearbeitungsanteil, sind mit einer langsameren, selektiveren Version derselben Richtung vereinbar. Die verteidigungsfähige Aussage betrifft die zeitliche Sicherheit, nicht die Richtung.
Was alle drei übersteht, ist enger und bleibt handlungsfähig: Die Verteilung der realisierten Ergebnisse ballt sich stark bei "geringe oder keine Veränderung", und ein Plan, der den Verteilungsrand als Basisfall behandelt, ist falsch bepreist.
Was vor dem Abschluss des Q4-Plans neu zu basieren ist
Vier Schritte, keiner davon erfordert die Umkehr einer strategischen Position zu KI.
1. Erwartetes und Realisiertes im Plandokument trennen. Wenn Ihr Personalmodell 2027 eine Position enthält, die mit KI-getriebener Reduzierung begründet ist, markieren Sie, ob sie auf gemessener Veränderung in Ihrer eigenen Organisation oder auf erwarteter Veränderung ruht. Ist es Erwartung, kennzeichnen Sie sie als Prognose mit der oben genannten Fehlerquote. Das ist eine Änderung von fünfzehn Minuten, die verändert, wie diese Zahl hinterfragt wird.
2. Den KI-Business-Case auf Durchsatz statt auf Vollzeitstellen neu aufsetzen. Durchlaufzeit, Umsatz pro Mitarbeitenden, Fehlerquote, Kosten pro Transaktion. Der NBER-Produktivitätsbefund zeigt in dieselbe Richtung: Die Gewinne erschienen als umsatzbasierte totale Faktorproduktivität, gebunden an Innovations- und Nachfragekanäle, nicht als Kapitalvertiefung, die Arbeit ersetzt. Wenn der Case nur über Personalreduzierung aufgeht, ist der Case nicht aufgegangen.
3. Jeden KI-zugeschriebenen Einschnitt an nachgewiesene, nicht versprochene Fähigkeit binden. Der Test ist ein benannter Workflow, der bei Zielqualität mit gemessener Fehlerquote über einen definierten Zeitraum läuft — keine Anbieter-Roadmap. Dieses eine Tor trennt die 14 Prozent von den 55 Prozent, die es bedauern.
4. Für das Team planen, das Sie weiterhin haben werden. Das ist der Schritt, der in den meisten 2027-Plänen fehlt. Wenn zwei Drittel der Organisationen geringe oder keine KI-bedingte Personalveränderung sahen, ist der Basisfall, dass Ihre heutige Belegschaft in etwa Ihre Belegschaft 2027 ist, mit einer Zusammensetzung, die sich darunter verschiebt. Damit wird die bindende Beschränkung eine Fähigkeits- und keine Kostenfrage: welche Kompetenzen auf welchen Stellen sitzen, wo die Nachfolge dünn ist, und welche Routine-Sachbearbeitungskapazität in die qualifizierte technische Nachfrage umgeschichtet werden kann, die laut NBER-Daten steigt. Ein ohne diese Karte beschlossener Nachbesetzungsstopp ist keine Einsparung; er ist ein ungemessener Fähigkeitsverlust. Kompetenz- und Nachfolgemessung ist die Instrumentierung, die diese Entscheidung verteidigungsfähig macht — die Position in der 9-Box-Matrix, berechnet aus Daten je Kompetenz statt aus der Erinnerung der Führungskraft, und Nachfolgereife, bewertet je kritischer Stelle. Scovais Modul für Performance und Nachfolge dokumentiert, wie diese Zuordnung aufgebaut ist, wenn Sie eine ausgearbeitete Referenz möchten.
Das Unbequeme an diesen Daten ist nicht, dass KI beim Personalstand untergeliefert hat. Es ist, dass eine Organisation ein erfolgreiches KI-Programm fahren kann — 89 Prozent Adoption, 80 Prozent mit berichteten Produktivitätsgewinnen — und am Ende dennoch dieselbe Zahl von Menschen hat, die deutlich andere Arbeit verrichten.
Das ist ein Problem der Personalentwicklung im Kostüm einer KI-Personalprognose.
Suchen Sie vor dem Abschluss des Q4-Plans die Personalposition, die annimmt, KI werde das Team verkleinern, und stellen Sie ihr eine Frage: Messen wir das, oder erwarten wir es noch? Lautet die Antwort "wir erwarten es", liegt die 2x-Fehlerquote nun aktenkundig vor — und die Beweislast ist auf die Prognose übergegangen.
