# Mehr Effizienz = weniger Arbeit? Das Jevons-Paradox der KI > Effizienzgewinne verschwinden nicht, sie verschieben sich. Warum dieselbe Technologie in einem Bereich Arbeit abbaut und in einem anderen neue schafft. - **Autor:** Dominic Asche - **Datum:** 08 / 2026 - **Lesezeit:** 7 min - **URL:** https://fse-group.de/thinktank/das-jevons-paradox-der-ki Eine Aufgabe dauert dank KI zehn Minuten statt einer Stunde. Also braucht das Unternehmen weniger Arbeitszeit? Für diesen einen Vorgang stimmt die Rechnung. Für das Gesamtsystem kann das Gegenteil gelten. Die Rechnung wirkt so vernünftig, dass man sie kaum hinterfragt: Eine Aufgabe dauert dank KI nur noch zehn Minuten statt einer Stunde. Also braucht das Unternehmen weniger Arbeitszeit. Für diesen einen Vorgang stimmt das. Für das Gesamtsystem kann das Gegenteil gelten. William Stanley Jevons beschrieb diesen Widerspruch bereits im 19. Jahrhundert am Beispiel des Kohleverbrauchs. Effizientere Dampfmaschinen benötigten weniger Brennstoff für dieselbe Leistung. Dampfkraft wurde dadurch günstiger und für mehr Anwendungen attraktiv. In der Folge stieg der Kohleverbrauch, obwohl jede einzelne Maschine sparsamer arbeitete. [1] Mehr Effizienz kann also mehr Nachfrage auslösen. Auf den Titel übertragen heißt das: Mehr Effizienz kann auch mehr Arbeit bedeuten. Auf KI übertragen bedeutet das: Sinkt der Aufwand für eine Aufgabe stark, wird sie nicht zwangsläufig nur günstiger erledigt. Sie wird möglicherweise viel häufiger ausgeführt. Neue Anwendungen werden wirtschaftlich, Ansprüche steigen. Aus einer monatlichen Analyse wird ein tägliches Monitoring, aus einem halbjährlichen Test eine kontinuierliche Prüfung. Entscheidend ist das Verhältnis zweier Entwicklungen: Wie stark sinkt der menschliche Aufwand pro Vorgang? Und wie stark wächst die Zahl der Vorgänge? Wächst das Volumen schneller als die Produktivität, kann mehr Effizienz zu mehr Arbeit führen. Bleibt das Volumen weitgehend konstant, sinkt der Bedarf an menschlicher Arbeit. Das Jevons-Paradox schützt deshalb keinen Arbeitsplatz. Es erklärt vielmehr, warum dieselbe Technologie in einem Bereich das Arbeitsvolumen vergrößert und es in einem anderen reduziert. ![Infografik zum Jevons-Paradox der KI mit dem Titel Wenn Effizienz Nachfrage erzeugt. Eine Wirkungskette in vier Schritten: erstens sinkt der Aufwand pro Vorgang, zweitens werden neue Anwendungen wirtschaftlich, drittens wächst die Zahl der Vorgänge, viertens verschiebt sich Arbeit, statt zu verschwinden. Darunter ein Liniendiagramm mit dem Titel AI is eating the billable hour: Bewertungsmultiplikatoren von IT-Services gegen den S&P 500 von 2018 bis 2026, Consensus NTM P/E. Die Kurve der IT-Services steigt bis 2022 auf 38 und fällt bis 2026 auf rund 10, während der S&P 500 bei etwa 20 verläuft. IT-Services notieren damit auf dem Niveau eines Jahrzehnttiefs, rund ein Drittel des Niveaus von Anfang 2025. Quelle CapIQ und Morgan Stanley vom 27.07.2026, Darstellung nach a16z. Am Fuß drei Leitfragen: Welche Aufgaben werden günstiger? Wächst dadurch das Volumen? Was wird zum neuen Engpass?](https://fse-group.de/media/think-pieces/20260825_thinktank-jevons-paradox.png) ### Softwareentwicklung zeigt den Widerspruch Softwareentwicklung ist ein besonders guter Testfall. KI greift direkt in die Erstellung von Code ein. Gleichzeitig ist die Nachfrage nach Software kaum fest begrenzt. In den meisten Unternehmen fehlt es nicht an Ideen für neue Anwendungen, Schnittstellen, Automatisierungen oder Datenprodukte. Es fehlen Zeit, Budget und Entwicklungskapazität. Wenn KI die Kosten einer einzelnen Umsetzung senkt, wird deshalb nicht nur dieselbe Software mit weniger Aufwand gebaut. Es wird mehr gebaut. Ein Entwickler benötigt vielleicht weniger Zeit für eine einzelne Funktion. Dafür entstehen zusätzliche Prototypen, individuellere Lösungen, mehr Integrationen und kürzere Releasezyklen. Auch bestehende Systeme werden häufiger angepasst, weil Änderungen wirtschaftlich werden, die zuvor im Backlog liegen geblieben wären. Mehr Output bedeutet allerdings nicht automatisch mehr Stabilität oder Sicherheit. Im Gegenteil: Mit der Menge des erzeugten Codes steigt auch der Prüfaufwand. Eine im August 2026 veröffentlichte Grafik von a16z zeigt zugleich, wie stark der Kapitalmarkt das klassische Geschäftsmodell von IT-Dienstleistern infrage stellt. Die dort betrachteten Bewertungsmultiplikatoren für IT-Services lagen nur noch bei rund einem Drittel des Niveaus von Anfang 2025. Gagan Chawla fasste diese Entwicklung zugespitzt zusammen: „AI is eating the billable hour.“ [3] Die Grafik ist keine Beschäftigungsstatistik. Sie belegt nicht, dass zwei Drittel der IT-Arbeit verschwinden. Sie zeigt aber eine Erwartung des Marktes: Ein Geschäftsmodell, dessen Umsatz vor allem mit der Zahl verkaufter Stunden wächst, gerät unter Druck, wenn KI einen wachsenden Teil der bisher abrechenbaren Arbeit übernimmt. Weniger Stunden pro Ergebnis können dennoch zu mehr Softwarearbeit führen. Nur verändert sich diese Arbeit. Routinecode, Standardmigrationen und einfache Tests verlieren an Wert. Architektur, Integration, Sicherheit und Verantwortung gewinnen an Bedeutung. ### Ein Beruf ist mehr als seine am leichtesten automatisierbare Aufgabe Dieser Gedanke prägte auch die Diskussionen in unserem AI-Harnessing-Kurs in Stanford: Ökonomisch lässt sich ein Beruf als Bündel einzelner Aufgaben beschreiben. In der Praxis ist Arbeit jedoch mehr als die Summe dieser Aufgaben. Zwischen ihnen liegen Kontext, Erfahrung, Abstimmung und Verantwortung. Ein Mensch erkennt, wann ein Fall nicht zum Standard passt. Er berücksichtigt Folgen für Kunden, Kollegen und angrenzende Systeme. Er entscheidet, wann ein Ergebnis belastbar genug ist, um damit weiterzuarbeiten. Charles I. Jones beschreibt Berufe in *AI and Our Economic Future* als Bündel sich ergänzender Aufgaben. Manche davon lassen sich leicht automatisieren. Andere bleiben zunächst der Engpass. Jones spricht von „weak links“, also von Aufgaben, die die Produktivität des gesamten Prozesses begrenzen. Werden die übrigen Tätigkeiten automatisiert, können gerade diese Aufgaben wertvoller werden. [2] Wer einfach alles automatisieren will, überspringt außerdem eine vorgelagerte Frage: Ist der Wertschöpfungsprozess überhaupt sinnvoll, und lohnt es sich, ihn zu automatisieren? Jones verweist auf die Radiologie. 2016 wurde öffentlich vorhergesagt, dass KI medizinische Bildauswertung so schnell übernehmen werde, dass die Ausbildung von Radiologinnen und Radiologen kaum noch sinnvoll sei. Fast zehn Jahre später gab es laut Jones mehr Beschäftigte in diesem Beruf und höhere Gehälter. Das beweist nicht, dass KI dieses Wachstum verursacht hat. Es zeigt aber, wie falsch es ist, einen Beruf auf seine sichtbarste Aufgabe zu reduzieren. Radiologinnen und Radiologen lesen nicht nur Bilder. Sie ordnen Befunde klinisch ein, stimmen sich mit anderen Ärzten ab, führen Eingriffe durch und tragen Verantwortung für Entscheidungen. Für Unternehmen folgt daraus ein pragmatischer Ansatz: KI sollte zunächst klar abgegrenzte Aufgaben übernehmen und nicht pauschal ganze Rollen ersetzen. Je genauer eine Aufgabe definiert ist, desto besser lassen sich Qualität, Grenzen und Eskalationswege überprüfen. ### Mehr Code ist noch keine bessere Software Die sinkenden Kosten der Softwareproduktion haben eine Kehrseite. Der erste Codeentwurf wird günstig. Die Verantwortung dafür nicht. Was im Contentbereich als „AI Slop“ bezeichnet wird, hat längst eine Entsprechung in der Softwareentwicklung. KI erzeugt Code, der plausibel aussieht, aber fachlich falsch, unsicher oder schlecht wartbar sein kann. Mehr Code bedeutet deshalb auch mehr Tests, mehr Reviews und im ungünstigsten Fall mehr technische Schulden. Auch hier zeigt sich der Jevons-Mechanismus: Die höhere Produktivität erzeugt zusätzliche Arbeit. Diese Arbeit ist jedoch nicht automatisch wertvoll. Ein Team, das zehnmal mehr Code produziert und anschließend einen großen Teil davon korrigieren muss, hat zunächst nur den Durchsatz erhöht, nicht den Nutzen. Unser FSE Pentest Agent zeigt, wie dieser Effekt sinnvoll genutzt werden kann. Applikationen können damit täglich statt halbjährlich auf Schwachstellen geprüft werden. Der Zeitaufwand für die Durchführung sinkt laut unserem veröffentlichten Fallbeispiel um 85 Prozent. [4] Die entscheidende Veränderung liegt weniger in der Zeitersparnis als in der höheren Testfrequenz. Weil der einzelne Test günstiger wird, steigt der Sicherheitsanspruch. Ergebnisse müssen bewertet, Risiken priorisiert und Schwachstellen behoben werden. Die wiederholte Durchführung wird automatisiert. Die fachliche Arbeit verschiebt sich in Richtung Einordnung und Verantwortung. Würde ein Unternehmen weiterhin nur zweimal pro Jahr testen, bräuchte es tatsächlich weniger Arbeitszeit. Ein Jevons-Effekt entsteht erst, wenn die geringeren Kosten zu einer höheren Nachfrage führen. ### In der Energiewirtschaft bleibt die Ausnahme entscheidend In der Energiewirtschaft werden beide Entwicklungen gleichzeitig sichtbar. Ein typischer Klärfall besteht nicht nur aus einer Eingabe in SAP oder einem anderen Fachsystem. Vertragsinformationen müssen geprüft, Angaben aus CRM, ERP, Abrechnung und Marktkommunikation abgeglichen und Abhängigkeiten verstanden werden. Am Ende muss jemand verantworten, dass die Korrektur fachlich und regulatorisch richtig ist. KI kann einzelne Schritte dieses Ablaufs übernehmen. Sie kann Fälle klassifizieren, Informationen zusammentragen, Daten vergleichen, Lösungsvorschläge vorbereiten und innerhalb klarer Berechtigungen Änderungen im System ausführen. Die Sachbearbeitung verschwindet dadurch nicht automatisch. Ihr Anteil an wiederholbarer Routinearbeit kann aber deutlich sinken. Das sollte man nicht beschönigen. In einem Projekt für SENEC haben wir einen Agenten für den Vertriebsinnendienst entwickelt. Er übernimmt definierte Schritte bei der Nachbearbeitung von Aufträgen, erkennt Fehlerbilder und setzt vorgegebene Lösungen im Warenwirtschaftssystem um. Dadurch sank die Durchlaufzeit um 80 Prozent. Zugleich wurde Kapazität im Umfang einer Vollzeitstelle eingespart. [5] Bei einem weitgehend festen Auftragsvolumen führt höhere Produktivität hier tatsächlich zu weniger Routinearbeit. Für Energieunternehmen liegt genau dort die strategische Trennlinie. In standardisierten Prozessen mit einem weitgehend festen Volumen, etwa bei bestimmten Buchungen, Prüfungen oder Klärfällen, wird menschliche Arbeit zurückgehen. Bei Aufgaben mit bislang unerfülltem Bedarf kann sie wachsen. Dazu gehören kontinuierliche Qualitätssicherung, Cybersecurity, Marktbeobachtung, Datenpflege und die Integration gewachsener Systemlandschaften. ERP- und CRM-Systeme, Abrechnung und Marktkommunikation verschwinden durch KI nicht. Sie werden enger miteinander verbunden. Dadurch wächst der Bedarf an Menschen, die diese Zusammenhänge verstehen und Verantwortung für das Gesamtergebnis übernehmen. ### Jevons schützt keinen Arbeitsplatz Der *Future of Jobs Report 2025* erwartet bis 2030 weltweit 170 Millionen neue und 92 Millionen verdrängte Stellen. Diese Zahlen beziehen sich auf mehrere wirtschaftliche und gesellschaftliche Entwicklungen, nicht allein auf KI. Zu den wachsenden Berufsgruppen zählen Softwareentwickler sowie Fachleute für Daten, KI und Informationssicherheit. Bei administrativen und klassischen Sachbearbeitungsrollen wird dagegen mit Rückgängen gerechnet. [6] Der rechnerische Nettozuwachs von 78 Millionen Stellen ist deshalb keine Entwarnung. Die neuen Jobs entstehen nicht automatisch dort, wo andere wegfallen. Sie verlangen andere Fähigkeiten und entstehen möglicherweise in anderen Unternehmen, Regionen oder Gehaltsklassen. Für Unternehmensleitungen reicht es nicht, ein pauschales Einsparziel für Vollzeitstellen zu definieren. Sie müssen verstehen, welche Aufgaben günstiger werden, ob dadurch das Arbeitsvolumen wächst und welche menschliche Tätigkeit anschließend zum Engpass wird. Ebenso wichtig ist die Frage, wie viel zusätzliche Arbeit durch Kontrolle, Integration und Fehlerkorrektur entsteht. Mehr Effizienz kann weniger Arbeit bedeuten. In vielen administrativen Routinen wird genau das passieren. Mehr Effizienz kann aber auch mehr Software, mehr Tests, mehr Marktbeobachtung und mehr Entscheidungen auslösen. Der Widerspruch löst sich auf, sobald wir aufhören, eine eingesparte Minute mit einem eingesparten Arbeitsplatz gleichzusetzen. KI verändert zunächst Aufgaben. Was daraus für einen Beruf wird, entscheidet sich im Zusammenspiel aus Nachfrage, Prozessgestaltung und Verantwortung. Das Jevons-Paradox gibt darauf keine beruhigende Antwort. Es stellt aber die richtige Frage: Was wird durch KI im Überfluss verfügbar, und was wird dadurch wirklich knapp? Am Ende bleibt eine alte unternehmerische Frage: Welchen Mehrwert schaffen wir, wenn eine bisher knappe Leistung plötzlich im Überfluss verfügbar ist? Die Antwort darauf entscheidet, welche Arbeit künftig zählt. #### Quellenverzeichnis - [1] William Stanley Jevons: [*The Coal Question*](https://files.libertyfund.org/files/317/Jevons_0546_EBk_v6.0.pdf), Erstveröffentlichung 1865. - [2] Charles I. Jones: [*AI and Our Economic Future*](https://web.stanford.edu/~chadj/AIandEconomicFuture.pdf), *Journal of Economic Perspectives*, Vol. 40, No. 3, 2026. - [3] a16z: [*Charts of the Week: Bookslop*](https://www.a16z.news/p/charts-of-the-week-bookslop), Abschnitt „IT Services, Down (But Not Out?)“, 7. August 2026. Gagan Chawla: [Einordnung der Grafik auf LinkedIn](https://www.linkedin.com/posts/gagankchawla_a16z-charted-it-services-multiples-at-decade-share-7495710895218745344-LQ-w/). - [4] FSE Group: [*FSE Pentest Agent*](https://fse-group.de/unsere-arbeit/fse-pentest-agent/). - [5] FSE Group: [*SENEC Vertriebsinnendienst Agent*](https://fse-group.de/unsere-arbeit/senec-vertriebsinnendienst-agent/). - [6] World Economic Forum: [*The Future of Jobs Report 2025*](https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/2-jobs-outlook/).