Es ist kein Gerücht mehr, sondern eine Trendwende: Die unteren Sprossen der Karriereleiter werden dünner. In Deutschland sind ausgeschriebene Berufseinsteiger-Stellen binnen zwei Jahren um 34 Prozent gefallen, während der Gesamtmarkt „nur“ um 18 Prozent zurückging, zeigt eine Auswertung von Index Research für die F.A.Z.-Digitalwirtschaft. Besonders stark ist der Rückgang dort, wo standardisierte Wissensarbeit automatisierbar ist – von Software-Hilfstätigkeiten bis zum Erstellen einfacher Analysen.
Auch international verdichten sich die Hinweise auf eine "senioritätsverschobene Automatisierung": Ein aktuelles Forschungspapier zu US-Daten von 285.000 Firmen (2015–2025) zeigt, dass Unternehmen nach Einführung generativer KI die Junior-Beschäftigung binnen 18 Monaten um rund 7,7 Prozent reduzieren, ohne die Nachfrage nach Senior-Profilen zu senken. Der Effekt trifft also die Einstiegs- und Zwischenstufen – nicht die Spitze.
Die Veränderung ist längst keine Zukunftsmusik mehr – sie findet mitten im Alltag der Branchen statt.
Doch die Effizienz, die diese Technologien bringen, hat eine Kehrseite. Je reibungsloser die Produktionsketten laufen, desto weniger Raum bleibt für das Lernen im Tun. Wo früher Assistenten, Juniors oder Trainees durch Routineaufgaben Schritt für Schritt Expertise aufbauten, übernehmen heute Modelle den ersten Entwurf, die erste Analyse, die erste Variante.
Damit verändert sich nicht nur der Prozess, sondern auch der pädagogische Unterbau der Arbeit. Der klassische Einstieg über wiederholbare Tätigkeiten verschwindet – und mit ihm ein stilles, aber zentrales Element beruflicher Sozialisation: das Üben am realen Projekt.
Der Rückgang klassischer Junior-Stellen schafft so ein Erfahrungsloch. Wenn Routinetätigkeiten wegfallen, fehlen Lernstufen, über die man sich früher an Verantwortung herantasten konnte. Gleichzeitig zeigen Studien, dass 25 bis 40 Prozent der Berufe retrainierbar sind – es gibt also Spielraum für neue Einstiege, wenn Unternehmen und Hochschulen die Pfade anpassen.
Dass die alten Juniorrollen verschwinden, bedeutet jedoch nicht, dass keine neuen entstehen. Es bedeutet nur, dass die Lernorte und Berufsbilder sich verschieben: weg von repetitiver Ausführung, hin zu Steuerung, Kontext und Verantwortung. Wer künftig einsteigt, wird nicht mehr für das Bedienen von Werkzeugen bezahlt, sondern für das Verstehen ihrer Logik – und für die Fähigkeit, sie sinnvoll in kreative oder organisatorische Prozesse einzubetten. Im Folgenden einige Beispiele für neue Arbeitsfelder, die für die junge Generation relevant werden:
In vielen Unternehmen entsteht gerade eine neue Disziplin, die man mit etwas Ironie als „Rhetorik für Maschinen“ bezeichnen könnte. Der Prompt-Designer – oder auch Prompt Engineer – ist kein Programmierer im klassischen Sinn, sondern jemand, der Sprache, Fachlogik und Regulatorik so verbindet, dass KI-Systeme verlässlich reagieren.
Denn Prompts sind, technisch betrachtet, eine Low-Code-Schnittstelle: Jeder kann mit einem Modell sprechen – aber nur wenige tun es systematisch und reproduzierbar. In kreativen oder regulierten Branchen ist das entscheidend. Ein Architekturbüro etwa darf ein Modell nur dann einsetzen, wenn es Grundrisse erzeugt, die baurechtliche Vorgaben einhalten. Dafür müssen die Anweisungen dokumentiert werden – wie Quellcode in der Softwareentwicklung. Auch in Agenturen oder Redaktionen werden Prompts zunehmend versioniert, kommentiert und archiviert, um nachzuweisen, welche Eingaben zu welchen Ergebnissen geführt haben.
Der Prompt-Choreograf wird so zum Übersetzer zwischen Mensch und Maschine: Er versteht das Fachvokabular, kennt die juristischen Grenzen, definiert Qualitätskriterien – und schreibt daraus strukturierte Anweisungen, die Modelle steuern, aber auch auditiert und verbessert werden können. In Zukunft wird er in vielen Projekten eine ähnliche Rolle spielen wie früher der Projektarchitekt oder Creative Producer: jemand, der das technische Werkzeug kennt, aber vor allem den kognitiven Rahmen vorgibt, in dem es sicher und zielgerichtet arbeitet.
Wenn Daten das Rohmaterial sind, wird ihre Herkunft, Qualität und rechtliche Sicherheit zum neuen Handwerk. Ein Data Curator prüft, welche Datensätze in Trainings- oder Anwendungsmodelle einfließen dürfen, kennzeichnet Quellen und sorgt für transparente Nachvollziehbarkeit – ähnlich wie ein Qualitätsprüfer in der Produktion. Medienhäuser oder Forschungsinstitute suchen bereits nach solchen Profilen, um zwischen redaktioneller Verantwortung und technischer Machbarkeit zu vermitteln.
In Kreativbranchen entstehen hybride Rollen, die Stil, Story und Technik zusammenführen. Der AI Art Director entwirft visuelle Konzepte, legt die Tonalität fest und steuert generative Modelle, um Varianten zu erzeugen. Er ersetzt nicht die Regie oder den Designer, sondern arbeitet als „Instrumentalist“ – ähnlich wie ein Dirigent, der ein Orchester aus Maschinenstimmen führt. In der Games- und Filmproduktion ist diese Rolle schon heute Realität: Studios wie Pixar, ILM oder Wētā setzen eigene „AI Supervisors“ ein, die Generative Tools kuratieren und gegen Qualitätsstandards abgleichen.
Wenn "KI"-Systeme Vorschläge machen, braucht es Menschen, die sie bewerten. Evaluation Producer könnten in Zukunft Ergebnisse auf Konsistenz, Bias, Präzision und Markenkohärenz prüfen – und technische Kennzahlen in Geschäftsentscheidungen übersetzen. Ein Beispiel: Bei einer Bank prüfen Evaluation Producer, ob ein Textmodell in der Kundenkommunikation regulatorische Sprache korrekt wiedergibt.
Noch ist offen, wie diese neuen Arbeitsfelder künftig heißen werden – ob sich tatsächlich Berufsbezeichnungen wie Prompt-Choreograf, Data Curator oder Evaluation Produceretablieren, bleibt abzuwarten. Klar ist jedoch schon heute, dass die Tätigkeiten, die mit ihnen verbunden sind, in Zukunft eine wachsende Rolle in nahezu allen Branchen spielen werden. Sie bilden das Fundament einer Arbeitswelt, in der Menschen nicht mehr Werkzeuge bedienen, sondern mit intelligenten Systemen strategisch und kreativ zusammenarbeiten.
Ebenfalls klar ist: Die neuen Berufe verlangen multidisziplinäres Lernen. Wer morgen in eine Redaktion, eine Agentur oder eine Entwicklungsabteilung kommt, muss "KI", Fachwissen und Ethik kombinieren können. Hochschulen und Berufsschulen experimentieren bereits mit „dualen KI-Curricula“, bei denen Studierende reale Datensätze bearbeiten und Modelle evaluieren. Statt standardisierter Multiple-Choice-Tests zählen künftig Portfolios und Proofs-of-Concept– also greifbare Ergebnisse, die zeigen, wie jemand Technologie in echten Projekten angewandt hat.
Auch in Unternehmen selbst entstehen neue Einstiegsprogramme. Einige Tech-Konzerne führen Rotations-Tracks ein, in denen Nachwuchskräfte mehrere Abteilungen durchlaufen – von Datenmanagement über Kreativproduktion bis zu Compliance –, um das Zusammenspiel zu verstehen. Mentorenprogramme ersetzen Mikromanagement: Statt einzelne Tasks zu delegieren, werden junge Talente in Entscheidungsprozesse eingebunden, etwa bei der Auswahl von Trainingsdaten oder der Bewertung von Modell-Outputs.
Der Berufsstart der Zukunft wird weniger linear, dafür projektbasierter verlaufen. Wer heute in ein Unternehmen kommt, wird seltener „Junior Analyst“ oder „Trainee Designer“, sondern vielleicht jemand, der Prozesse durch KI-Unterstützung beschleunigt, aber gleichzeitig dafür sorgt, dass Entscheidungen transparent bleiben. Das verlangt neue Metriken: Statt geleisteter Stunden zählen künftig Erkenntnisgewinn, Konsistenz und kreative Originalität.
Die Bildungssysteme und Arbeitsmarktstrukturen sind auf diesen Wandel bislang kaum vorbereitet. Während KI-Labore und Forschungsförderungen florieren, bleibt der Transfer in Ausbildung und frühe Berufspraxiseine Leerstelle. Die Politik kann hier gezielt ansetzen – mit drei Schwerpunkten, die gemeinsam eine neue Einstiegskultur begründen könnten.
1. Förderlinien für praxisnahe Einstiegs-Labs
Statt isolierte Forschungsprojekte zu fördern, braucht es Programme, die Hochschulen und Unternehmen gezielt in gemeinsamen Lernräumen zusammenbringen. In solchen „Einstiegs-Labs“ könnten Studierende und Berufseinsteiger an realen Aufgaben arbeiten – etwa an Datenkuratierung, Modellbewertung oder Prompt-Design – und ihre Ergebnisse dokumentieren. Entscheidend ist, dass diese Programme Output-orientiert sind: Gefördert wird nicht der Lehrplan, sondern der nachweisbare Kompetenzaufbau in konkreten Projekten. Das wäre ein Paradigmenwechsel gegenüber der bisherigen Förderlogik, die oft nur auf die Zahl der Teilnehmenden oder Lehrstunden schaut.
2. Neue Zertifikate und Weiterbildungsstandards.
Noch fehlen klare, branchenübergreifende Qualifikationsprofile für den Umgang mit generativer KI. Industrie- und Handelskammern könnten – analog zu bestehenden IT-Weiterbildungen – neue Zertifikate für KI-gestützte Berufsbilder entwickeln, die Themen wie Datenprovenienz, Modelltransparenz, Haftungsfragen und ethische Standardsabdecken. Damit würden Berufsabschlüsse entstehen, die nicht allein auf technisches Können zielen, sondern auf das verantwortliche Anwenden dieser Technologien. Das stärkt auch die Unternehmen, die so besser nachprüfbare Qualifikationen bei Bewerbern erkennen können.
3. Öffentliche Beschaffung als strategischer Hebel.
Der Staat ist selbst ein gewaltiger Auftraggeber – und könnte damit Maßstäbe setzen. Wenn bei öffentlichen Ausschreibungen künftig Projekte mit nachweislichen Junior-Tracks bevorzugt würden, also mit klaren Lern- und Mentorenanteilen für Berufseinsteiger, entstünde ein starker Anreiz für Unternehmen, neue Ausbildungspfade zu schaffen. So könnte öffentliche Vergabe erstmals nicht nur Innovation einkaufen, sondern auch Ausbildung systematisch mitfinanzieren.
Über allem steht die Aufgabe, den gesellschaftlichen Rahmen für eine neue Lernökonomie zu schaffen. Wenn Routinearbeit schwindet, muss Kompetenzaufbau aktiv organisiert werden. Sonst droht ein Strukturbruch, der weniger durch KI selbst entsteht, sondern durch das Fehlen neuer Wege, in denen junge Menschen Erfahrungen sammeln, Verantwortung übernehmen und Vertrauen in die Technologie aufbauen können.
KI ersetzt nicht den Menschen, aber sie entwertet jene Karrierestufen, die nur Repetition boten. Wer daraus schließt, junge Menschen würden nicht mehr gebraucht, verwechselt Ausführung mit Führung. Aufgabe der Unternehmen ist es, neue Lernstufen zu bauen – schnell, praxisnah, mit Verantwortung. Sonst verlieren wir eine Generation an Erfahrung, bevor sie sie sammeln konnte. Die Zukunft der Arbeit hängt nicht davon ab, ob Maschinen lernen – sondern ob wir neue Wege finden, wie Menschen lernen können, während Maschinen ihnen zuarbeiten.
Der Autor ist Co-Gründer von Quantum Beyond, einem europäischen Beschleunigungsprogramm für die Digitalisierung von Unternehmen. Der Fokus liegt auf AI-driven Organization Design, datengetriebenen Strategien und der intelligenten Mensch-Maschine-Kollaboration, um Unternehmen zukunftsfähig und wettbewerbsstark für das KI-Zeitalter aufzustellen.
