Forscher von Ramp Economics Lab und Revelio Labs haben tatsächlich beobachtete KI-Ausgaben von Unternehmen — echte Karten- und Rechnungszahlungen, keine Umfrageantworten — mit den Personaldaten von 21.559 US-Unternehmen verknüpft. Firmen in der höchsten KI-Investitionsstufe steigerten ihre Gesamtbelegschaft in den zwei Jahren nach der Einführung um 10,2 %, die Zahl der Einstiegspositionen um 12 %. Firmen in der Stufe mit geringer Intensität verzeichneten überhaupt keine statistisch signifikante Veränderung (Ramp Economics Lab, 2026).
Kein kleinerer Zuwachs. Null.
Dieser Kontrast ist der Befund, der Aufmerksamkeit verdient — und nicht der, den die Schlagzeilen aufgegriffen haben. Das interessante Ergebnis ist nicht, dass KI-Einführung und Einstiegsrekrutierung gemeinsam steigen können. Es ist, dass die Einführung an sich gar nichts erklärt hat. Die Intensität hat die gesamte Arbeit geleistet.
Die Studie Maß Ausgaben, Nicht Einschätzungen
Fast alles, was ein Head of Operations über KI-Einführung liest, ist selbstberichtet. Jemand befragt Führungskräfte, diese beschreiben ihre eigene Reife, und die resultierende Kurve spiegelt Zuversicht ebenso wider wie tatsächliche Umsetzung. Das Messproblem ist inzwischen gut belegt — Sie haben es vermutlich im eigenen Haus gesehen, wenn Führungskräfte die KI-Fähigkeit des Unternehmens deutlich höher einstufen, als die Deployment-Daten hergeben.
Das Design von Ramp–Revelio umgeht das. Die KI-Ausgaben stammen aus Ramps Firmenkarten- und Rechnungszahlungsdaten — Geld, das das Unternehmen tatsächlich verlassen hat — und werden mit den Personaldaten von Revelio Labs für dieselben Firmen verknüpft. Die Unternehmen wurden anschließend anhand der KI-Ausgaben pro Mitarbeiter in den ersten drei Monaten nach Einführung als Anwender mit hoher oder niedriger Intensität klassifiziert und ihre Beschäftigung über die Zeit verfolgt (Revelio Labs, 2026).
Diese Konstruktion ist entscheidend dafür, wie viel Gewicht das Ergebnis tragen kann. Niemand in der Stichprobe wurde gefragt, wie transformativ sich das eigene KI-Programm anfühlt. Die unabhängige Variable ist ein Buchungssatz.
Es ist, so die Autoren, die erste Studie, die firmenindividuelle KI-Ausgaben in diesem Umfang mit Beschäftigungsdaten verknüpft (Ramp Economics Lab, 2026). Für eine operative Führungskraft ist das der Unterschied zwischen einer Zahl, mit der man planen kann, und einer, die man nur zitieren kann.
Intensität Ist die Variable — und Sie Verhält Sich Wie ein Schwellenwert
Stellt man die beiden Stufen nebeneinander, ist die Form des Ergebnisses ungewöhnlich.
Anwender mit hoher Intensität: +10,2 % Gesamtbelegschaft über zwei Jahre, +12 % Einstiegspositionen, wobei die Zuwächse allmählich auftreten und sich breit über die Funktionen verteilen — Engineering, Vertrieb, Verwaltung und Kundenservice (Ramp Economics Lab, 2026). Anwender mit niedriger Intensität: nichts, was sich statistisch von gar keiner Einführung unterscheiden ließe.
Würde KI-Investition Erträge ungefähr proportional zu den Ausgaben erzeugen, müsste die niedrige Stufe einen kleinen positiven Effekt zeigen — gedämpft, verrauscht, aber vorhanden. Sie tut es nicht. Der Zusammenhang ist nicht linear, und halbe Maßnahmen kommen nicht halb so weit.
Lesen Sie das als operative Restriktion. Ein bescheidenes Budget, dünn über elf Abteilungen verteilt, ist keine kleinere Version eines ernsthaften Programms. Nach dieser Evidenz ist es eine andere Kategorie von Aktivität — und sie taucht in den Beschäftigungsdaten überhaupt nicht auf.
Das sollte die Budgetdiskussion neu rahmen. Die Standardhaltung im Mittelstand — ein bisschen KI in jeder Funktion, damit sich niemand ausgeschlossen fühlt und keine einzelne Wette jemanden blamieren kann — ist exakt das Profil der Stufe mit niedriger Intensität. Es ist ein Portfolio, gebaut zur Minimierung von Bedauern, und es liefert nichts Messbares.
Die Einstiegszahl Widerspricht dem Kanarienvogel
Die 12 % landen mitten in einer laufenden Debatte, und es lohnt sich, präzise zu sein, was sie klärt und was nicht.
Das Stanford Digital Economy Lab dokumentierte auf Basis von ADP-Gehaltsdaten einen relativen Rückgang von rund 13 % bei der Beschäftigung von Berufseinsteigern in den am stärksten KI-exponierten Berufen — das „Kanarienvogel im Kohlebergwerk"-Ergebnis, das einen großen Teil der Einstiegsjob-Erzählung 2025–2026 geprägt hat (Stanford Digital Economy Lab, 2025).
Beide Befunde können gleichzeitig gelten, weil sie nicht dasselbe messen. Stanford verfolgt Berufe: Innerhalb KI-exponierter Berufskategorien verloren junge Beschäftigte an Boden. Ramp verfolgt Firmen: Innerhalb von Unternehmen, die stark in KI investieren, wuchsen die Einstiegspositionen. Manche Rollen schrumpfen gesamtwirtschaftlich, während manche Firmen mehr Berufseinsteiger einstellen als zuvor. Aggregierte Berufsexposition und firmenindividuelle Investitionsintensität sind unterschiedliche Achsen — und eine operative Führungskraft sitzt auf der zweiten.
Das ist die praktisch nützliche Lesart. Sie kontrollieren nicht, ob der Aufgabenmix Ihrer Branche KI-exponiert ist. Sie kontrollieren die Investitionskonzentration Ihres Unternehmens — und genau diese Variable hat sich laut den Firmendaten bewegt.
Die Versuchung besteht darin, jene Studie zu wählen, die den bereits gefassten Plan bestätigt. Widerstehen Sie ihr. Die ehrliche Synthese ist enger und nützlicher: Exposition bestimmt den Druck auf eine Rolle, Investitionsintensität bestimmt offenbar, ob Ihre Organisation in diesen Druck hineinwächst oder unter ihm schrumpft.
Das Gegenargument: Es Könnte Selektion Sein
Der stärkste Einwand gegen das Ramp-Ergebnis stammt aus der Studie selbst und verdient es, offen benannt statt vergraben zu werden.
Die Autoren sind eindeutig: KI-Anwender sind keine Zufallsstichprobe. Sie sind bereits größer, engineering-intensiver, häufiger venture-finanziert und wachsen schneller als Nicht-Anwender. Die sektoralen Zuwächse konzentrieren sich auf Information (Ramp Economics Lab, 2026).
Das ist ein echtes Problem für die naive kausale Lesart. Schnell wachsende, gut kapitalisierte Softwarefirmen geben viel für KI aus und stellen viel ein — der gemeinsame Treiber könnte schlicht sein, dass sie gewinnen. Unter dieser Interpretation wäre hohe KI-Ausgabe eher Symptom der Expansion als deren Ursache — und ein Industriedienstleister mit 220 Beschäftigten, der mehr Lizenzen kauft, würde die 12 % nicht erben.
Zwei Dinge erhalten den Nutzen des Befundes auch nach diesem Abschlag. Erstens verfolgt die Studie Veränderungen innerhalb von Firmen vor und nach der Einführung, nicht einen rohen Vergleich zwischen Anwendern und Nicht-Anwendern — das Wachstum kommt nach den Ausgaben, auf einer graduellen Kurve. Zweitens, und für Ihre Zwecke entscheidender: Das Nullergebnis in der Stufe mit niedriger Intensität lässt sich nicht durch Selektion wegerklären. Auch diese Firmen entschieden sich für die Einführung. Auch sie hatten Budget, Sponsoring und Absicht. Sie gaben weniger pro Mitarbeiter aus und bekamen eine statistisch nicht unterscheidbare Null.
Behandeln Sie die 12 % also als richtungsweisend und kontextgebunden. Behandeln Sie die Null als die übertragbare Lektion.
Was Plausibel Eine 12 % von Einer Null Trennt
Hier wird die Evidenz dünner, und ich möchte klar sagen, wo die Daten enden.
Die Ramp-Studie misst Ausgabenintensität und Beschäftigungsergebnisse. Sie identifiziert den Mechanismus nicht — sie kann Ihnen nicht sagen, was Hochintensitäts-Firmen mit dem Geld taten, das Niedrigintensitäts-Firmen unterließen. Wer anderes behauptet, interpretiert hinein.
Die beste verfügbare Evidenz zum Mechanismus kommt von anderswo. McKinseys State of AI 2025 fand, dass zwar eine große Mehrheit der Organisationen KI-Nutzung angibt, aber nur eine Minderheit einen nennenswerten EBIT-Effekt auf Unternehmensebene berichtet — und dass die Praxis, die am stärksten mit den Organisationen mit Rendite verbunden ist, die grundlegende Neugestaltung von Arbeitsabläufen rund um die Technologie ist, statt eines Deployments obenauf auf bestehende Prozesse (McKinsey, 2025). Das ist eine Korrelation aus einer Selbstauskunftsbefragung, keine kausale Schätzung, und sollte entsprechend gewichtet werden.
Fügt man beides mit angemessener Vorsicht zusammen, entsteht eine plausible Geschichte: Anhaltend hohe Ausgaben pro Mitarbeiter sind das, wie Prozess-Neugestaltung im Buchhaltungsjournal aussieht. Neu zu gestalten, wie Arbeit durch eine Funktion fließt, kostet Integrationsaufwand, Datenarbeit und Prozesszeit — und erscheint als große, konzentrierte Rechnung. Lizenzen zu kaufen und den Ablauf unangetastet zu lassen ist billig, weshalb es genau eine Niedrigintensitäts-Signatur und ein Nullergebnis erzeugt.
Ich würde das als Arbeitshypothese führen, nicht als Befund. Gemessen ist dies: Konzentration der Ausgaben sagt Beschäftigungswachstum voraus, Streuung sagt nichts voraus.
Drei Schritte vor dem Nächsten Budgetzyklus
Messen Sie Ihre Intensität, nicht Ihre Adoption
Das meiste KI-Reporting im Mittelstand zählt Lizenzen, aktive Nutzer und erreichte Abteilungen. Keine davon ist die Variable, die sich in dieser Studie bewegt hat. Berechnen Sie die KI-Ausgaben pro Mitarbeiter — und zwar pro Funktion statt firmenweit. Ein Gesamtdurchschnitt verdeckt, ob Sie ein ernsthaftes Programm betreiben oder neun kosmetische. In der Regel wirkt die Summe respektabel, während jede einzelne Funktion in der Niedrigintensitäts-Stufe liegt.
Konzentrieren statt verteilen
Wenn Streuung nichts bringt, ist die Implikation für die Allokation unbequem, aber klar: Dasselbe Budget, konzentriert auf ein oder zwei Funktionen, ist eine materiell andere Wette als dasselbe Budget, verteilt auf neun. Wählen Sie die Funktionen, in denen der umgebende Prozess tatsächlich neu gebaut werden kann — wo Sie den Ablauf end-to-end besitzen und ändern können, wie Arbeit geroutet wird, nicht nur, wie sie formuliert wird. Finanzieren Sie diese ordentlich und hungern Sie den Rest bewusst aus.
Das wird politisch schwerer sein, als die Tabelle nahelegt. Jede Funktionsleitung hat inzwischen eine KI-Budgetposition, und eine davon zu streichen wird als Urteil über diese Funktion gelesen. Führen Sie das Argument über die Evidenz: Ein halb finanzierter Pilot ist kein kleinerer Gewinn, er ist eine Null mit angehefteter Budgetzeile.
Verbinden Sie den KI-Business-Case explizit mit einem Einstellungs-Case
Die reflexhafte Rahmung — KI-Investition als Personalvermeidung — ist nicht das, was die Hochintensitäts-Firmen in diesem Datensatz produzierten. Sie wuchsen, auch auf Einstiegsebene (Ramp Economics Lab, 2026). Ob sich das angesichts der Konzentration im Informationssektor auf Ihre Branche übertragen lässt, ist echt offen. Aber es lohnt sich, die Annahme im eigenen Business Case zu benennen, denn „das ersetzt drei Einstellungen" und „das erlaubt uns, mehr Arbeit mit dem Team aufzunehmen, das wir aufbauen" erzeugen vom ersten Tag an unterschiedliche Umsetzungsentscheidungen, Weiterbildungsinvestitionen und interne Politik.
Eine Entscheidung
Ziehen Sie Ihre KI-Ausgaben der letzten vier Quartale und teilen Sie sie nach Funktion und Kopfzahl auf. Dann stellen Sie eine Frage: Liegt irgendeine einzelne Funktion in diesem Unternehmen tatsächlich in der Hochintensitäts-Stufe, oder haben wir ein ernsthaftes Budget auf neun unernsthafte Programme verteilt?
Wenn es Letzteres ist — und für die meisten Mittelstands-Operativen wird es das sein — ist die Lösung nicht mehr Geld. Es sind weniger Wetten.
Die Firmen in diesem Datensatz, die ihre Belegschaft steigerten, Einstiegspositionen eingeschlossen, waren nicht jene, die KI am frühesten oder enthusiastischsten einführten. Es waren jene, die konzentrierten. Die Firmen, die nichts bekamen, waren nicht jene, die draußen blieben — es waren jene, die zu dünn verteilten.
