KI ersetzt Junior-Aufgaben, nicht Junior-Leute

Alle paar Wochen sagt mir jemand, KI mache Junior-Entwickler überflüssig. Ich stehe selbst am Anfang meiner Karriere, also habe ich darüber mehr nachgedacht als die meisten. Mein Ergebnis: KI ersetzt Junior-Aufgaben, nicht Junior-Leute. Was sich ändert, ist, wofür ein Junior bezahlt wird.

Gehen Junior-Stellen wirklich zurück?

Ja. Das will ich nicht kleinreden.

• USA, nach Alter: Die Stanford-Studie „Canaries in the Coal Mine“ nutzt Lohndaten von ADP. Im Update vom August 2026 lag die Beschäftigung von 22- bis 25-Jährigen in den Berufen, die am stärksten von KI betroffen sind, 19 % unter dem Wert, den sie im Gleichschritt mit weniger betroffenen Altersgenossen erreicht hätte. Bei Erfahrenen gibt es keine solche Lücke. Laut den Autoren entsteht die Lücke vor allem dadurch, dass weniger junge Leute eingestellt werden, nicht durch Kündigungen.
• Big Tech: Der SignalFire-Talentreport 2025 fand, dass Absolventen nur noch 7 % der Neueinstellungen bei den 15 größten Tech-Konzernen ausmachten. Gegenüber 2019 ist das Einstellen von Absolventen um mehr als 50 % gesunken.
• Deutschland: Das Indeed Hiring Lab meldete im September 2026, dass Stellenanzeigen für Einsteiger (Titel mit Junior, Trainee oder Graduate) im Juli 2026 46 % unter dem Niveau von 2019 lagen. In der Softwareentwicklung kommen heute etwa drei Einstiegsanzeigen auf zehn von 2019.

Der Einwand gegen meine These ist also real, und ich komme darauf zurück. Aber man sollte genauer hinsehen, was verschwindet.

Was ersetzt KI tatsächlich?

Die Stanford-Studie enthält ein Detail, das wichtiger ist als die Schlagzeile: Die Rückgänge konzentrieren sich auf Berufe, in denen KI menschliche Aufgaben ersetzt. Wo KI Menschen ergänzt, bleibt die Beschäftigung gleich oder steigt.

Was hat ein Junior-Entwickler traditionell im ersten Jahr gemacht? Boilerplate schreiben, den ersten Entwurf einer Funktion bauen, Tests aufsetzen, eine SQL-Abfrage schreiben, die jemand anderes entworfen hat, kleine Bugs beheben. Genau das erledigt KI heute in Sekunden. In einer Umfrage des Digitalverbands Bitkom vom September 2026 erwarteten 55 % der Unternehmen, dass „klassische Einstiegsaufgaben zunehmend wegfallen“.

Man beachte das Wort: Aufgaben. Dieselbe Umfrage ergab, dass 85 % der Unternehmen wegen KI keine IT-Stellen abgebaut haben. Und für Deutschland sagt die Ökonomin von Indeed selbst, dass sich ein KI-Effekt anhand der aktuellen Daten bislang nicht belegen lässt. Die schwache Konjunktur erklärt mehr. Das IAB kam im Oktober 2026 zu einem ähnlichen Schluss, und sein einziges mögliches Warnsignal betraf das Verarbeitende Gewerbe und nicht-akademische Berufe, nicht Hochschulabsolventen.

Warum kann eine Ärztin mit ChatGPT nicht dasselbe?

Das ist für mich der spannendste Teil. Heute kann eine Medizinstudentin oder ein Maschinenbauer einen KI-Assistenten öffnen und funktionierenden Code bekommen. Output ist nicht mehr der Engpass.

Aber Code zu produzieren war nie der schwierige Teil. Bittet man eine KI, „eine Datenpipeline zu bauen“, baut sie eine. Ob sie in Batches laufen oder kontinuierlich streamen soll, ob Rohdaten erst gespeichert werden, bevor man sie umwandelt, was passiert, wenn derselbe Job zweimal läuft, wie man merkt, dass sie um drei Uhr nachts ausfällt: All das löst die KI gut, wenn man danach fragt. Und fragen kann man nur, wenn man weiß, dass es diese Fragen gibt.

Genau das gibt einem ein Studium in diesem Bereich, auch wenn man nicht der schnellste Programmierer im Raum ist. Man kennt die Form des Problems. Man kann die richtige Anweisung geben und erkennt, wenn eine Antwort falsch ist.

Und Antworten sind öfter falsch, als sie aussehen. In einem Test von mehr als 100 Sprachmodellen durch das Sicherheitsunternehmen Veracode im Jahr 2025 enthielten etwa 45 % der KI-generierten Code-Beispiele Sicherheitslücken. Jemand muss die finden.

Die Forschung zu KI und Produktivität passt dazu. In einer großen Studie mit Support-Mitarbeitenden steigerte KI die Produktivität im Schnitt um 14 % und bei Neulingen um 34 %. KI hebt den Boden dessen an, was jeder produzieren kann. Eine Studie von METR aus 2025 fand dagegen, dass erfahrene Open-Source-Entwickler mit KI an ihren eigenen Projekten 19 % langsamer waren und trotzdem glaubten, 20 % schneller gewesen zu sein. Die Folgestudie von 2026 war weniger eindeutig, aber die Lehre bleibt: Menschen können ihre eigene KI-gestützte Arbeit schlecht einschätzen. Zu wissen, wie gut aussieht, ist die eigentliche Fähigkeit.

Warum zählt gemeinsame Sprache mehr als Syntax?

In meinem ersten Job im Datenbereich ist mir etwas aufgefallen, das mich überrascht hat. Meine Kolleginnen und Kollegen sprachen fast nur in Fachbegriffen: Pipelines, ETL-Workflows, Microservices, wie Daten von einem System ins nächste fließen sollen. Ich habe alles verstanden, nicht weil ich erfahren war, sondern weil ich genau diese Konzepte studiert hatte. Ich musste Begriffe nicht im Kopf nachschlagen. Ich konnte der Diskussion folgen und etwas beitragen.

Da habe ich verstanden, was ein Studium wirklich bringt: nicht die Fähigkeit, Code zu tippen, sondern Zugang zum Gespräch. Und im Gespräch fallen die eigentlichen Entscheidungen. Welcher Ansatz ist der beste? Was bricht, wenn wir es so machen? Was bereuen wir in einem Jahr?

In der Softwareentwicklung gibt es dafür einen Namen. Eric Evans nennt es in Domain-Driven Design „Ubiquitous Language“, eine allgegenwärtige Sprache. Martin Fowler beschreibt sie als gemeinsame, präzise Sprache zwischen Entwicklern und Nutzern, die präzise sein muss, weil Software mit Mehrdeutigkeit schlecht umgehen kann.

Mit KI wird das wichtiger, nicht unwichtiger. Wenn das Tippen delegiert wird, wird die Diskussion darüber, was gebaut werden soll, zum größten Teil der Arbeit. Ein Team, in dem jemand der Diskussion nicht folgen kann, ist langsam, egal wie viele KI-Werkzeuge es hat.

Wie wird eine Junior-Rolle aussehen?

Ich glaube, sie verschiebt sich in drei Richtungen.

1. Weniger schreiben, mehr beurteilen. KI-Ergebnisse prüfen, die Spezifikation vor dem Code schreiben, testen, ob das Ergebnis wirklich funktioniert.
2. Effizienz ist der Maßstab. Am Ende geht es darum, wie viel gute Arbeit man in einer bestimmten Zeit liefert. Ein Junior, der KI gut nutzt und weiß, wann er ihr misstrauen muss, schlägt einen, der alles von Hand tippt, und einen, der allem blind vertraut.
3. Wer in mehreren Dimensionen denkt, gewinnt. Am nützlichsten sind Leute, die das Geschäftsproblem, die Daten und die Software gleichzeitig verstehen und verbinden können. Deshalb arbeite ich selbst genau dort, wo Business, Daten und Software zusammenkommen.

Wer also gerade anfängt: die Konzepte gründlich lernen, die Fachsprache des eigenen Bereichs lernen und das Tippen der KI überlassen. Junior-Stellen werden sich verändern. Verschwinden werden sie nicht, weil immer noch jemand wissen muss, wonach man fragt.

Wo KI stark ist und wo sie noch kämpft, habe ich in KI spricht Code, nicht Klicks aufgeschrieben.