Editionsgeschichte

Ein Satz mit einer verborgenen Weltsicht

Im Juli 2024 machte im Netz ein Satz die Runde, der Joseph Browning zugeschrieben wird:

«The underlying purpose of AI is to allow wealth to access skill while removing from skill the ability to access wealth.»¹

Sinngemäss: Der eigentliche Zweck der KI sei es, dem Vermögen Zugang zum Können zu verschaffen und dem Können den Zugang zum Vermögen zu nehmen. Spätere Fassungen schreiben «from the skilled» statt «from skill». Der oben zitierte Wortlaut entspricht einem indexierten Beitrag auf Brownings eigenem X-Konto. Das Datum und ein früherer Ursprung auf Facebook sind nur durch Sekundärquellen belegt; der ursprüngliche Facebook-Beitrag war bei dieser Prüfung nicht unabhängig einsehbar. Der genaue Wortlaut ist weniger wichtig als der Vorwurf, den der Satz enthält.

Es ist ein harter Satz. Und gerade das Wort «Zweck» sollte uns misstrauisch machen. Eine Behauptung über die Absicht hinter einer ganzen Technologie lässt sich nicht damit belegen, dass man beobachtet, was einige Unternehmen mit ihr tun. KI-Forschung reicht von der Medizin über Barrierefreiheit, wissenschaftliche Entdeckung, Bildung und Konsumprodukte bis zu militärischen Anwendungen und kommerzieller Automatisierung. Es gibt keine einzelne Absicht, die man aufdecken könnte.

Vielleicht wirkt der Satz aber gerade deshalb so stark, weil er eine wirtschaftliche Möglichkeit mit einem Motiv verwechselt.

Lässt man die unterstellte Verschwörung weg, bleibt eine Frage: Was geschieht, wenn die Fähigkeit zu qualifizierter Arbeit leichter zu erwerben ist, die Eigentumsrechte und Geschäftsbeziehungen, die man braucht, um davon zu leben, aber nicht im gleichen Mass zugänglich werden?

In The Compounding Class habe ich eine verwandte Frage gestellt: Was geschieht, wenn Menschen mit Mitteln diese Mittel in einsetzbare Intelligenz verwandeln, die Erträge behalten und sie in noch mehr Fähigkeit stecken?² Hier will ich die andere Seite dieser Anordnung betrachten. Nicht den Eigentümer, der anhäuft, sondern den Menschen, dem Bildung und Fachwissen einst ein Auskommen versprachen.

Über Generationen haben wir den Leuten gesagt, Bildung sei der verlässliche Weg aus der Abhängigkeit in die Selbständigkeit. Lerne, übe, werde nützlich, und der Markt wird dir einen Platz machen. Dieses Versprechen galt nie für alle, war nie für alle gleich erreichbar und wurde nie für alle eingelöst. Aber es war glaubwürdig genug, um ganze Lebensläufe zu prägen.

Was aber, wenn der Markt dein Wissen weiterhin will, es aber immer seltener von dir beziehen muss?

Wissen ist nicht dasselbe wie bezahlt werden

Eine Ingenieurin weiss, wie man Probleme löst. Ein Übersetzer versteht Sprache. Eine Anwältin erkennt Unterscheidungen, auf die es ankommt. Ein Forscher kann ein vielversprechendes Ergebnis von einem irreführenden unterscheiden. Das sind echte Fähigkeiten, erworben durch Mühe und Erfahrung.

Und doch ist der Preis eines Berufs kein direkter moralischer Lohn für diese Mühe. Märkte bezahlen knappe Beiträge unter bestimmten Bedingungen. Die eigentliche Frage ist nicht bloss, ob deine Arbeit nützlich ist. Sie lautet: Wie viele Alternativen hat der Käufer, wie leicht lässt sich dein Ergebnis überprüfen, wie gross ist die Nachfrage, und wie stark ist deine Verhandlungsposition?

Ein Fachmensch kann für eine Aufgabe unverzichtbar sein und trotzdem wenig Macht über den Vertrag haben. Eine Geschäftsinhaberin kann weniger von der technischen Arbeit verstehen und dennoch die Beziehung zum Kunden, die Rechte am Ergebnis und die Entscheidung darüber kontrollieren, wer angestellt wird.

Automatisierung verändert dieses Verhältnis, wenn sie dem Käufer einen anderen glaubwürdigen Weg zum Ergebnis eröffnet. Manchmal ersetzt sie eine Aufgabe ganz. Manchmal hilft sie einer Kollegin, die Aufgabe zu übernehmen. Manchmal verbessert sie die Arbeit der Fachperson selbst so stark, dass diese wertvoller wird. Das sind verschiedene Anordnungen, und ihre Verteilungswirkungen müssen nicht dieselben sein.³

Der Irrtum besteht in der Vorstellung, eine Maschine müsse erst in allem so gut sein wie die beste Fachperson, bevor sich der Preis irgendeiner fachlichen Arbeit verändern kann. Auf echten Märkten kann ein günstigerer Ersatz, der für einen bestimmten Zweck gut genug ist, die Verhandlungsmacht verschieben, lange bevor er einen ganzen Beruf ersetzen könnte. Umgekehrt kann menschliches Fachwissen wertvoll bleiben, auch wenn Routineergebnisse im Überfluss vorhanden sind: dort, wo Fehler teuer sind, wo der Zusammenhang zählt und wo jemand die Verantwortung tragen muss.

Der Marktwert einer fachlichen Leistung und der gesellschaftliche Wert von Fachwissen sind nicht dasselbe.

Wohin die Lohnprämie geht

Die Ökonomen Daron Acemoglu und Pascual Restrepo bieten für diesen Mechanismus ein nützliches Wort an: Rent Dissipation, das Abschmelzen von Renten. Eine Rente ist hier kein Vorwurf der Gier. Gemeint ist ein Einkommensaufschlag über dem, was jemand anderswo verdienen könnte. Manche Aufgaben, Firmen und institutionellen Anordnungen geben Beschäftigten den Hebel, einen solchen Aufschlag zu erzielen.

Ihre Studie im Quarterly Journal of Economics von 2026 modelliert, wie Automatisierung gezielt solche Aufgaben treffen und diese Aufschläge abtragen kann. Mit US-Daten von 1980 bis 2016 schätzen die Autoren, dass Automatisierung in diesem historischen Zeitraum 52 Prozent des Anstiegs der Lohnungleichheit zwischen Gruppen erklärt; das Abschmelzen der Renten macht etwa ein Fünftel dieses Automatisierungsbeitrags aus. Sie schätzen ausserdem, dass dieses Abschmelzen in ihrem Modell einen grossen Teil der Bruttoproduktivitätsgewinne der Automatisierung aufgezehrt hat.⁴

Diese Schätzungen sind wichtig, aber sie sind keine Schätzungen der Wirkung generativer KI seit 2022. Sie beleuchten einen Mechanismus aus früheren technologischen Umbrüchen. Er verdient Aufmerksamkeit, weil KI das Spektrum der Aufgaben erweitert, die Software übernehmen kann, darunter Aufgaben, die traditionell mit Bildung und beruflichem Ansehen verbunden sind.

Nehmen wir eine kleine Beratungsfirma, die eine Fachanalyse braucht. Früher hätte sie vielleicht eine externe Fachperson für zwei Tage bezahlt. Heute erstellt ein interner Mitarbeiter mit KI-Hilfe an einem Nachmittag einen starken ersten Entwurf. Die Beraterin ist vielleicht immer noch die Beste, um ihn zu prüfen. Diese letzte Stunde könnte wertvoller werden. Oder der Käufer entscheidet, dass ein ausreichend guter Entwurf genügt, und bezahlt überhaupt keine Beraterin. Das Ergebnis hängt davon ab, was auf dem Spiel steht, welcher Qualitätsanspruch gilt und wie der Markt für den verbleibenden menschlichen Beitrag aussieht.

Das Wissen ist nicht verschwunden. Verändert haben sich die Bedingungen, zu denen es gekauft wird.

Diese Unterscheidung bewahrt uns auch vor einem bequemen Denkfehler. Wenn Kundinnen und Kunden tiefere Preise erhalten, kann die Gesellschaft gewinnen, selbst wenn etablierte Fachleute eine Knappheitsprämie verlieren. Wir sollten teuren Zugang zu Wissen nicht verteidigen, bloss weil er einen Berufsstand schützt. Fliesst die Produktivitätsdividende aber überwiegend an wenige Eigentümer, während die Wege zu gut bezahlter Arbeit verkümmern, dann werden die Gewinne anders verteilt als der Nutzen, den die Technologie möglich macht.

Was die Zahlen sagen – und was nicht

Die besten verfügbaren Belege erzählen keine nahtlose globale Geschichte. Sie erzählen mehrere örtliche Geschichten, mit unterschiedlichen Daten und unterschiedlichen Ergebnissen.

Schweiz: Berufe unter Druck

Eine Studie der KOF Konjunkturforschungsstelle der ETH Zürich von Jeremias Kläui und Michael Siegenthaler vergleicht, wie sich die registrierten Stellensuchenden und die Online-Stelleninserate in Schweizer Berufen mit unterschiedlicher Exposition gegenüber grossen Sprachmodellen entwickelt haben. Seit Ende 2022 stieg die Zahl der Stellensuchenden in stark exponierten Berufen um bis zu 27 Prozent stärker als in wenig exponierten Berufen; auch die Stelleninserate entwickelten sich in den exponierten Berufen ungünstiger. Der Vergleich betrifft relative Veränderungen zwischen Berufen und stützt sich auf Schweizer Verwaltungs- und Stelleninseratedaten bis August 2025.⁵ 2026 bezifferte Siegenthaler den Unterschied auf bis zu 30 Prozent und sagte, generative KI erkläre höchstens ein Fünftel des Anstiegs der Schweizer Arbeitslosigkeit seit 2023.⁶⁷

Das ist kein Anstieg der Schweizer Arbeitslosenquote um 27 Prozent. Es ist auch keine saubere experimentelle Schätzung, die belegen würde, dass KI die ganze Auseinanderentwicklung der Berufe verursacht hat. Die Forschenden konzentrieren sich auf relative Muster und halten fest, dass Vorteile durch Produktivität, ergänzende Stellen und tiefere Preise in diesem Vergleich nicht erfasst sind.

Diese Unterscheidung ist entscheidend. Die Gesamtzahl der Stellen in der Schweiz lag im zweiten Quartal 2026 laut der Beschäftigungsstatistik des Bundesamts für Statistik, die bei den Arbeitgebern erhoben wird, 2,0 Prozent höher als ein Jahr zuvor. Eine separate Personenbefragung ergab im selben Quartal 0,8 Prozent mehr Erwerbstätige und eine Erwerbslosenquote nach ILO von 4,9 Prozent. Hier sind verschiedene Begriffe und Bezugsgrössen im Spiel; keine davon darf stillschweigend an die Stelle des KOF-Berufsvergleichs treten.⁸⁹

Das Schweizer Signal lautet: Die Verteilung der Chancen verschiebt sich womöglich innerhalb einer Wirtschaft, in der die Beschäftigung weiter wachsen kann.

USA: eine engere Tür

In einer Revision vom August 2026 werteten Erik Brynjolfsson, Bharat Chandar und Ruyu Chen ADP-Lohndaten von Millionen US-Beschäftigten bis Juni 2026 aus. Die Beschäftigung der 22- bis 25-Jährigen in stark KI-exponierten Berufen lag rund 19 Prozent unter einem Vergleichspfad, auf dem sie so gewachsen wäre wie in derselben Altersgruppe in weniger exponierten Berufen. Die Lücke entstand eher durch weniger Neueinstellungen als durch Entlassungen; eine breite Verdrängung in der ganzen Wirtschaft fand die Studie nicht.¹⁰

Diese 19 Prozent sind eine relative Beschäftigungslücke, keine gemessene KI-bedingte Arbeitslosenquote, nicht der Anteil der Stellen, die ein Modell beseitigt hat, und keine Prognose. Die Autoren bezeichnen ihre Befunde ausdrücklich als Hinweise, nicht als endgültig; Kontrollen für Bildung und die Auswahl der Stichprobe dämpfen kausale Aussagen.¹⁰

Die Studie enthält noch eine wichtige Unterscheidung: Beschäftigte mit angesammeltem Erfahrungswissen scheinen anders betroffen zu sein als junge Beschäftigte, die sich stärker auf kodifiziertes Lehrbuchwissen stützen. Das klingt plausibel, darf aber nicht zum bequemen Versprechen werden, jede erfahrene Fachperson sei sicher. Es ist eine Hypothese über die Zusammensetzung von Aufgaben und Erfahrung, kein Immunitätsnachweis.

Dänemark: Umbruch ohne durchschnittlichen Lohnschock

Anders Humlum und Emilie Vestergaard verknüpfen repräsentative Umfragen zur Nutzung von Chatbots mit dänischen Verwaltungsdaten zu Einkommen und Beschäftigung. Ihre Revision vom März 2026, Still Waters, Rapid Currents, findet einen breiten Wandel der Aufgaben, aber zwei Jahre nach ChatGPT keine messbaren durchschnittlichen Wirkungen der Nutzung auf Einkommen oder erfasste Arbeitsstunden, weder bei den Beschäftigten noch bei den Betrieben. Wirkungen von mehr als 2 Prozent schliesst ihr Design aus.¹¹

Dieses Ergebnis widerlegt die Schweizer oder amerikanischen Befunde nicht: Es stellt andere Fragen, in einem anderen Arbeitsmarkt, mit einem anderen empirischen Ansatz. Es ist aber eine wertvolle Warnung davor, einen allgemeinen Lohnzerfall auszurufen, bevor er sich messen lässt.

Produktivität ohne einfache Antwort auf die Verteilung

In einer Feldstudie mit 5172 Kundendienstmitarbeitenden fanden Erik Brynjolfsson, Danielle Li und Lindsey Raymond, dass der Zugang zu einem generativen KI-Assistenten die gelösten Anfragen pro Stunde im Durchschnitt um 15 Prozent erhöhte, mit grösseren Gewinnen bei weniger erfahrenen und weniger qualifizierten Mitarbeitenden.¹²

Das ist eine der überzeugendsten Möglichkeiten der KI: Fähigkeiten, deren Erwerb einst lange dauerte, können breiter verfügbar werden. Menschen können besser werden in nützlicher Arbeit. Für sich allein sagt das aber nicht, ob der entstandene Wert als höhere Löhne, tiefere Preise, Unternehmensgewinne oder in einer Mischung davon ankam.

Und auf dem kommerziellen Markt für freie Mitarbeit gibt es erste Anzeichen, dass der Preis mancher Ergebnisse sinken kann, während die Nachfrage steigt. Der Plattformbericht von Upwork vom Juli 2026 meldet für Arbeiten in generativer KI und kreativer Produktion 90 Prozent mehr Aufträge als im Vorjahr, bei 13 Prozent tieferen Einnahmen pro Auftrag. Getrennt davon meldet er, dass komplexere, durch KI erweiterte Fachdienstleistungen im Volumen um 72 Prozent wuchsen, bei 22 Prozent höheren Einnahmen. Das sind Zahlen einer einzigen kommerziellen Plattform, von dieser Plattform selbst veröffentlicht, und die Kategorien und ihre Zusammensetzung können sich ändern. Man sollte sie nicht auf alle Beschäftigten übertragen.¹³

Die Grundbeobachtung ist glaubwürdig, ohne dass man so tun müsste, als massen alle Studien dieselbe Grösse: Die wirtschaftlichen Folgen hängen nicht nur davon ab, ob Arbeit von KI unterstützt wird, sondern auch von der Art der Arbeit, von der Organisation darum herum und davon, wer Alternativen hat.

Die Leiter, die wir vielleicht abbauen

Es gibt ein weniger sichtbares Problem als die heutige Lohnprämie: den Weg, auf dem die Fachleute von morgen ihr Können erwerben.

Wir stellen gewöhnlich keine Hochschulabsolventin ein, damit sie zwanzig Jahre Urteilsvermögen ausübt. Wir stellen sie für begrenzte Arbeit ein: erste Recherchen, Dokumentation, erste Analysen, Routineprogrammierung, erste Entwürfe, Qualitätskontrollen. Unterwegs stösst sie auf sperrige Ausnahmen, lernt, warum scheinbar einfache Regeln versagen, und sieht, wie eine erfahrene Kollegin entscheidet, worauf es ankommt.

Was geschieht, wenn gerade die Einstiegsaufgaben diejenigen sind, die ein Arbeitgeber am leichtesten automatisieren kann?

Eine Firma kann kurzfristig produktiver werden, wenn sie Teile der Juniorarbeit durch KI ersetzt. Reagieren alle Firmen einer Branche gleich, kann der Kreis der Menschen schrumpfen, die Erfahrung sammeln. Zehn Jahre später entdeckt dieselbe Branche vielleicht, dass ihr erfahrene Fachleute fehlen, die sie nie ausgebildet hat.

Das ist noch kein empirisch belegter Zusammenbruch über zehn Jahre. Es ist ein absehbares Koordinationsproblem. Die Firma, die heute über eine Anstellung entscheidet, trägt womöglich nicht die vollen künftigen Kosten, wenn die Ausbildungswege einer ganzen Branche verloren gehen.

Die Antwort kann nicht sein, repetitive Aufgaben für immer als eine Art Zwangslehre zu erhalten. Viele dieser Aufgaben waren langweilig, ausgrenzend oder schlecht bezahlt. Die bessere Frage ist, ob wir neue Wege zum Urteilsvermögen bauen können: begleitete Simulationen, bewusst gestaltete Rotationen, echte Verantwortung, kommentierte KI-Entscheidungen, Lehren, die die Aufsicht über reale Systeme einschliessen, und klare Kriterien für den nächsten Schritt.

Je besser die Technologie darin wird, Antworten zu liefern, desto bewusster müssen Institutionen den Menschen vielleicht beibringen, folgenreiche Fragen zu stellen, Ergebnisse zu prüfen und Verantwortung für Entscheidungen zu übernehmen.

Wenn Können alltäglich wird, was bleibt knapp?

Manche Knappheit wird verschwinden, und das kann Fortschritt sein. Ein Kleinbetrieb, der zu einem Bruchteil der früheren Kosten an brauchbare Übersetzungen, Hilfe in der Buchhaltung, Gestaltung oder Software-Prototypen kommt, kann Dinge tun, die er sich sonst nicht leisten könnte. Menschen, die bisher an Studiengebühren, Geografie, Behinderung oder beruflichen Türhütern scheiterten, erhalten womöglich Werkzeuge, die ihre Aussichten verbessern.¹²¹⁴

Andere Knappheit wird wichtiger. Verlässliche Daten, das Vertrauen der Kundschaft, Vertrieb, Lizenzen, rechtliche Haftung, Zugang zu eigenen Arbeitsabläufen, Kapital zum Ausprobieren, physische Infrastruktur und die Fähigkeit, ein Ergebnis tatsächlich zu liefern, zählen alle. Wer ein Angebot erstellen kann, ist noch nicht jemand, der den Auftrag gewinnt und ausführt. Ein Unternehmen, das viele vielversprechende Ergebnisse hervorbringt, muss sie trotzdem prüfen und für Fehler geradestehen.

Hier gewinnt der ursprüngliche Satz seine Kraft, ohne seinen Vorwurf zu beweisen.

Ein Eigentümer kann Maschinenkapazität bezahlen und nützliche geistige Arbeit erhalten, ohne für jede Einheit menschlicher Zeit den alten Preis zu zahlen. Eine Arbeitnehmerin kann lernen, dieselbe Technologie zu nutzen, und doch fehlt ihr der Zugang zur Kundschaft, das Vermögen oder die Verhandlungsposition, um viel vom Ergebnis zu behalten. Oder sie nutzt die Technologie, um selbständig anzubieten, einen Türhüter zu unterbieten und mehr zu behalten als zuvor. Beide Geschichten passen zur Technologie. Welche häufiger zutrifft, ist eine empirische und institutionelle Frage.

Die Analyse des IWF vom Juli 2026 zur beobachteten KI-Nutzung findet, dass die geschätzten Gewinne, gemessen als eingesparte Arbeitszeit, sich auf besser bezahlte Berufe konzentrieren, besonders in Entwicklungsländern, und dass diese Konzentration mit der Verbreitung offenbar abnimmt. Entscheidend ist: Aus Nutzungsmustern allein können die Autoren nicht ableiten, ob am Ende Firmen oder Beschäftigte den Wert einstreichen. Ihre Leitschätzung eines Arbeitskosten-Äquivalents ist eine modellierte Bewertung eingesparter Zeit, kein realisiertes BIP, kein Einkommen und kein Gewinn.¹⁵

Wir sollten sorgfältig unterscheiden zwischen einer Technologie, die einen Vorteil hervorbringt, und jemandem, der einen rechtlichen Anspruch auf diesen Vorteil hat.

Die Frage des Eigentums

The Compounding Class untersuchte den Kreislauf der Anhäufung: Mittel finanzieren einsetzbare Fähigkeit, behaltene Erträge finanzieren weitere Fähigkeit, und der Vorsprung wächst mit Zinseszins.²

Die vorliegende Frage setzt eine Stufe tiefer an, beim Geschäft zwischen einem Menschen und der Institution, die seine Arbeit kauft.

Ein Lohn ist ein Anspruch auf einen Teil des Werts, der unter einem Arbeitsvertrag entsteht. Eigenkapital ist ein Anspruch auf die Resterträge unter einem Eigentumsverhältnis. Kundinnen und Kunden profitieren, wenn Preise sinken oder die Qualität steigt. Der Staat kann einen Teil der Gewinne über Steuern und öffentliche Leistungen umverteilen. Anbieter von Modellen, Rechenleistung und Vertrieb können sich ihren eigenen Anteil nehmen. Die endgültige Verteilung lässt sich nicht erkennen, indem man allein die Token-Nutzung, eingesparte Stunden oder selbst die Leistung pro Mitarbeiter misst.

Wir sollten auch nicht annehmen, dass jedes Unternehmen, das KI einführt, reich wird. Wettbewerb kann Einsparungen an die Kundschaft weitergeben. Prüfkosten können den Produktivitätsgewinn auffressen. Neue Anbieter können die Margen der Etablierten schmälern. Firmen können mit hervorragenden Werkzeugen scheitern. Ein leistungsfähiges Modell kann eine teure Abhängigkeit bleiben statt ein produktives Gut zu werden.

Es gibt allerdings eine Asymmetrie, die man im Auge behalten sollte: Wer eine Aufgabe ausführt, und wer die Mittel zu ihrer Ausführung immer wieder einsetzen kann, stehen wirtschaftlich an verschiedenen Orten.

Der eine hat das Wissen. Der andere kann einen Teil von dessen Ergebnissen in grossem Massstab vervielfältigen und entscheiden, wohin die Erträge gehen.

Die Frage ist nicht, ob Eigentum verschwinden oder Fachwissen künstlich knapp bleiben soll. Sie ist, ob grössere Produktionskraft mit breiteren Möglichkeiten einhergeht, zu besitzen, zu verhandeln, im Wettbewerb zu bestehen und an den Erträgen teilzuhaben.

Ein besserer Prüfstein als die Frage, ob alle ein KI-Abo haben

Öffentliche Debatten stellen oft die falsche Frage: Kann jeder KI nutzen? Zugang zählt, aber Zugang zu einer Chat-Oberfläche ist nicht dasselbe wie ein Anspruch auf den Wert, der damit entsteht.

Für die nächsten Jahre würde ich auf fünf Dinge achten.

Der Einstieg. Stellen Arbeitgeber genug Anfängerinnen und Anfänger ein und bilden sie aus, damit die erfahrenen Fachleute entstehen, die sie später brauchen? Die deutlichsten Warnzeichen zeigen sich womöglich zuerst bei Bewerbungen, offenen Stellen und Lehrstellen, nicht in der Arbeitslosenquote.

Die Qualität der Arbeit. Machen KI-Gewinne die Arbeit selbständiger und anspruchsvoller, oder werden Beschäftigte zu Aufsehern automatisierter Ergebnisse, mit weniger Kontrolle über Zeit, Tempo und berufliche Standards? Der Überblick der IAO vom Juni 2026 mahnt, neben der Zahl der Stellen auch auf Arbeitsqualität und Autonomie zu achten.¹⁶

Die Lohnantwort. Steigen die Einkommen, wenn die Produktivität nachweislich zunimmt, bleiben sie gleich oder sinken sie, wenn man Teuerung und Zusammensetzung der Belegschaft berücksichtigt? Produktivität auf der Ebene einzelner Aufgaben ist keine Lohnstatistik.

Die Bestreitbarkeit. Kann eine qualifizierte Einzelperson oder ein Kleinbetrieb mit den verfügbaren Werkzeugen glaubwürdig Kundschaft bedienen? Können sie den Anbieter wechseln, ihre Daten mitnehmen, vernünftige Prüfkosten finanzieren und eine dauerhafte Kundenbeziehung halten?

Die Teilhabe an den Erträgen. Gewinnen Beschäftigte Verhandlungsmacht, Gewinnbeteiligung, Eigenkapital, Beweglichkeit oder tiefere Lebenshaltungskosten, wenn Ergebnisse billiger werden? Gleicht der Vorteil für die Konsumenten Einkommensveränderungen aus, oder verstärkt er sie? Diese Masse hängen zusammen, sind aber nicht austauschbar.

Keine einzelne Grafik entscheidet diese Fragen. Auch keine grosse politische Lösung wird sie lösen. Verschiedene Institutionen können verschiedene Formen von Zugang, Verhandlung und geteiltem Gewinn stützen.

Die andere Möglichkeit

Nach Brownings Satz liegt die Versuchung nahe, sich eine Zukunft vorzustellen, in der jeder begabte Mensch zum Zuschauer wird und eine Handvoll Eigentümer alle Maschinen bedient.

Vorstellen kann man sich das. Als Tatsache verkünden dürfen wir diese Prognose nicht.

Eine Studentin mit einem bescheidenen Laptop kann lernen und Dinge herstellen, für die es früher eine gut finanzierte Institution brauchte. Ein Übersetzer kann mehr Kundschaft bedienen. Eine Wissenschaftlerin kann mehr Hypothesen prüfen. Eine kleine Firma kann ein Produkt bauen, ohne zuerst genug Geld für eine grosse Abteilung aufzutreiben. Ein Mensch mit Behinderung erhält womöglich Unterstützung, die eine Anstellung erst möglich macht. Eine Fachperson, deren repetitive Arbeitslast sinkt, hat vielleicht endlich Zeit für den menschlichen Teil ihres Berufs.¹²¹⁴¹⁶

Die wirtschaftliche Frage ist, ob diese Befähigung zur stabilen Grundlage der Unabhängigkeit wird oder bloss zur Fähigkeit, mehr Arbeit zu Bedingungen zu leisten, die anderswo festgelegt werden.

Ich glaube nicht, dass die Antwort darin liegt, so zu tun, als müsse Wissen teuer bleiben. Ich glaube auch nicht, dass wir alle Produktivitätsgewinne, die Unternehmen einbehalten, als Diebstahl behandeln sollten. Eigentum, Investition und Risikobereitschaft haben ihre berechtigte Rolle. Eine Gesellschaft, die nützliches Wissen billiger macht, hat etwas Wertvolles geleistet.

Aber eine Wirtschaft kann fähiger werden, während manche ihrer fähigen Menschen unsicherer werden. Ein Bildungssystem kann Talent hervorbringen, ohne Verhandlungsmacht hervorzubringen. Einer Generation kann man sagen, sie solle die neuen Werkzeuge lernen, und sie entdeckt dann, dass ihr nicht ein besseres Werkzeug fehlte, sondern ein tragfähiger Anspruch auf den Wert, den sie mitgeschaffen hat.

Deshalb verdient das alte Versprechen eine neue Prüfung.

Wir haben Menschen gebeten, Jahre zu investieren, um etwas zu können, weil Können einen Weg in die Unabhängigkeit bot. Wenn KI mehr von diesem Können reproduzierbar macht, genügt es nicht, diese Menschen immer wieder aufzufordern, noch produktiver zu werden.

Wir müssen fragen, ob die Institutionen rund um die Produktivität noch einen Weg in die Unabhängigkeit bieten.

Die Frage ist nicht, ob Intelligenz im Überfluss vorhanden sein wird. Sie ist, ob die Möglichkeit, mit Intelligenz ein Leben zu verdienen, breit zugänglich bleibt.

Methode und Grenzen

Dieser Essay ist eine redaktionelle Synthese aus akademischen Studien, amtlichen Statistiken, einem institutionellen Forschungsüberblick, von einem Unternehmen veröffentlichten Plattformdaten und einem Zitat, das über indexierte Beiträge in sozialen Medien zurückverfolgt wurde. Er ist keine neue Kausalstudie. Befunde auf Länderebene, zu Berufen, von einer Firmenplattform und aus Experimenten messen verschiedene Dinge und dürfen nicht zu einer Gesamtschätzung der KI-Wirkung zusammengezählt werden. Die quantitativen Grafiken behalten deshalb die jeweilige Einheit und Bezugsgrösse jeder Studie bei. Es wurden keine erfundenen Datenpunkte, Prognosekurven oder angepassten Trendlinien hinzugefügt.

Der Abschnitt über verlorene Ausbildungswege am Berufsanfang beschreibt einen vorausschauenden Mechanismus, keine beobachtete Langzeitwirkung. The Compounding Class ist ein bestehender Begleitessay, kein unabhängiger empirischer Beleg. Die ursprüngliche Zuschreibung an Browning auf Facebook ist weniger gut belegt als der indexierte Beitrag auf seinem eigenen X-Konto; siehe die Quellen. Alle Quellenprüfungen und redaktionellen Aussagen entsprechen dem Stand vom 13. Oktober 2026.

Quellen