Ersetzen KI-Agenten Freelancer? Was 4 Jahre Evidenz zeigen (ChatGPT, Claude, Upwork, Jobbit)

Jeder Unternehmer stellt sich inzwischen eine Version derselben Frage: Welche Arbeit lässt sich einem KI-Agenten übertragen, und für welche wird weiterhin ein Mensch gebraucht? Ausnahmsweise gibt es für diese Frage ein Labor. Seit Ende 2022 sind die Online-Freelance-Plattformen, auf denen Millionen Autoren, Übersetzer, Designer und Entwickler aktiv sind, zugleich Schauplatz eines natürlichen Experiments gewesen: was geschieht, wenn über Nacht und zu nahezu null Grenzkosten ein leistungsfähiger Ersatz für routinemäßige Wissensarbeit in einen Markt eintritt, in dem jeder Auftrag ausgeschrieben, bepreist und mit einem Zeitstempel versehen wird.

Diese Fallstudie behandelt dieses Experiment so, wie ein Wissenschaftler jeden anderen Bestand an Evidenz behandeln würde: Was genau wurde gemessen, wie gut, was zeigen die Ergebnisse, und was können sie noch nicht zeigen? Sie stützt sich auf begutachtete Studien und Working Papers von Forschenden an Stanford, dem MIT, der Harvard Business School, der University of Chicago und der UCLA, auf randomisierte Feldexperimente innerhalb von BCG und Alibaba, auf Fähigkeitsbewertungen von METR und OpenAI sowie auf die eigenen Daten der Plattformen Upwork und Fiverr. Der betrachtete Zeitraum reicht von November 2022, als ChatGPT veröffentlicht wurde, bis August 2026, als die jüngste dieser Studien aktualisiert wurde.

Die kurze Antwort auf die Titelfrage lautet, dass Agenten bislang eher Aufgaben als Freelancer ersetzt haben und dass diese Ersetzung eng begrenzt, schnell und ungleichmäßig verlaufen ist. Die lange Antwort ist nützlicher, denn sie zeigt einem Unternehmen, wo die Grenze derzeit verläuft und wie es auf beiden Seiten dieser Grenze arbeiten kann.

Zusammenfassung der Befunde

Fünf Schlussfolgerungen halten einer skeptischen Lektüre der Evidenz stand.

Erstens: Substitution ist real und konzentriert sich auf bestimmte Bereiche. Innerhalb von acht Monaten nach der Veröffentlichung von ChatGPT sanken die Ausschreibungen für automatisierungsanfällige Text- und Programmierarbeiten auf einer führenden globalen Plattform im Vergleich zu manuell intensiver Arbeit um etwa 21%, und bildgenerierende Werkzeuge senkten die Ausschreibungen für Bildarbeiten um etwa 17%. Auf Upwork sind Qualifikationen und Reputation mittlerweile messbar weniger aussagekräftig dafür, wer in KI-exponierten Kategorien beauftragt wird, während der Preis an Aussagekraft gewonnen hat.

Zweitens: Der Effekt auf den breiteren Arbeitsmarkt bleibt gering. Die präziseste Studie, die auf dänischen Verwaltungsdaten beruht, schließt zwei Jahre nach ChatGPT Effekte auf Einkommen oder Arbeitsstunden von mehr als 2% aus. Die Ausnahme ist deutlich: In den Vereinigten Staaten liegt die Beschäftigung von Beschäftigten im Alter von 22 bis 25 Jahren in den am stärksten KI-exponierten Berufen inzwischen etwa 19% unter dem Niveau, das sie erreicht hätte, wäre sie im gleichen Tempo gewachsen wie bei weniger exponierten Vergleichsgruppen.

Drittens: Die Produktivitätsgewinne aus der Arbeit mit KI sind groß, aber ungleich verteilt. Sie fallen für weniger erfahrene Beschäftigte bei Routineaufgaben am größten aus und können bei Experten für Aufgaben außerhalb der Kompetenz des Werkzeugs ins Negative kippen. In einer sorgfältig kontrollierten Studie waren erfahrene Entwickler mit KI-Werkzeugen 19% langsamer, obwohl sie glaubten, 20% schneller zu sein.

Viertens: Agenten haben den Sprung vom Assistenten zur Arbeitskraft vollzogen. Die Länge der Aufgabe, die ein führendes System bewältigen kann, verdoppelt sich alle paar Monate, und verblindete Expertengutachter beurteilen die Arbeitsergebnisse der besten Modelle inzwischen in fast der Hälfte der Fälle als gleichwertig mit oder besser als die eines Profis. Sobald jedoch die Zeit für Prüfung und Korrektur eingerechnet wird, bricht die gemessene Einsparung von etwa dem Neunzigfachen auf 12% bis 39% ein, und selbst die besten Arbeitsplatz-Agenten machen gelegentlich noch kleine Fehler mit irreversiblen Folgen.

Fünftens: Die rationale Antwort, auf die sich die Plattformen zunehmend einigen, ist eine Arbeitsteilung: Agenten für routinemäßige, prüfbare digitale Arbeit, Menschen für Urteilsvermögen, Verantwortlichkeit, Präsenz vor Ort und alles Irreversible, sowie eine bewusst gestaltete Übergabe zwischen beiden.

Der Fall: warum Freelance-Plattformen das richtige Labor sind

Arbeitsmarktökonomen arbeiten üblicherweise mit Jahreserhebungen und breiten Berufskategorien. Online-Freelance-Plattformen bieten etwas Selteneres: Arbeit, die in einzelne Aufgaben zerlegt ist, jede mit einem Ausschreibungsdatum, einem Preis, einer Kategorie, einem Käufer, einem Anbieter und einem Ergebnis. Wenn eine Technologie auftaucht, die einen Teil dieser Aufgaben übernehmen kann, zeigt sich die Veränderung innerhalb weniger Wochen im Strom der Ausschreibungen, darin, wer den Auftrag gewinnt, und zu welchem Satz. Der Markt übernimmt neue Werkzeuge zudem sofort, weil zwischen einem Freelancer und einem Browser-Tab kein Beschaffungszyklus liegt.

Dieselben Eigenschaften machen das Labor unvollkommen. Plattformen erfassen die ausgeschriebene Nachfrage, nicht die gesamte Nachfrage; ein Kunde, der die Arbeit nun intern mit einem Agenten erledigt, verschwindet aus den Daten, statt als Substitution aufzutauchen. Kategorien verschieben sich, sodass ein Rückgang bei „Schreiben" teilweise eine Umetikettierung in „KI-Content-Bearbeitung" sein kann. Die meisten der großen Datensätze stammen aus den Vereinigten Staaten, und Plattform-Freelancer sind nicht repräsentativ für die Erwerbsbevölkerung. Diese Einschränkungen sind für die Interpretation von Bedeutung und werden weiter unten wieder aufgegriffen, machen die Evidenz aber nicht wertlos. Sie machen sie zu einem Frühindikator statt zu einer Vollerhebung.

Der Einsatz ist nicht gering. IPSE schätzt die freiberufliche Erwerbsbevölkerung im Vereinigten Königreich auf etwa 2.05 million Menschen, rund die Hälfte der 4.2 million Solo-Selbstständigen des Landes, wobei die Definition auf die drei am höchsten qualifizierten Berufsgruppen beschränkt ist. Das sind genau jene Berufe, die Studien zur KI-Anwendbarkeit am höchsten einstufen.

Eine Zeitlinie der Evidenz, 2022 bis 2026

Befund 1: Substitution ist real, schnell und eng begrenzt

Die frühesten belastbaren Belege stammen von Xiang Hui, Oren Reshef und Luofeng Zhou, deren Studie zu einer großen Online-Arbeitsplattform 2024 in Organization Science veröffentlicht wurde und später mit dem Olin Award der Washington University für Forschung mit praktischer Wirkung ausgezeichnet wurde. Beim Vergleich von Freelancern in Berufen, die ChatGPT, DALL-E 2 und Midjourney ausgesetzt waren, mit solchen in weniger exponierten Berufen, stellten sie Rückgänge sowohl bei der Anzahl der Aufträge als auch beim monatlichen Einkommen der exponierten Gruppe fest. Der Befund, der das Feld aufrüttelte, betraf die Qualität. Freelancer mit starken früheren Bewertungen und langer Erfolgsbilanz waren nicht geschützt; die Autoren berichten sogar Hinweise darauf, dass es Spitzenkräfte eher noch stärker traf. Die plausibelste Lesart ist, dass bei routinemäßiger Text- und Bildarbeit ein exzellentes menschliches Ergebnis und ein hinreichendes maschinelles Ergebnis in den Augen der Käufer zu nahen Substituten geworden waren, sodass die Prämie für Exzellenz als Erstes erodierte.

Ozge Demirci, Jonas Hannane und Xinrong Zhu maßen anschließend direkt die Nachfrageseite. Anhand von Ausschreibungen einer führenden globalen Freelancing-Plattform stellten sie in einer 2025 in Management Science veröffentlichten Studie fest, dass die Ausschreibungen für automatisierungsanfällige Text- und Programmieraufträge innerhalb von acht Monaten nach der Veröffentlichung von ChatGPT im Vergleich zu manuell intensiven Aufträgen um 21% zurückgingen, und die Ausschreibungen für Bildarbeiten nach dem Aufkommen bildgenerierender Modelle um 17%. Zwei sekundäre Ergebnisse sind ebenso bedeutsam wie die Kernaussage. Die Ausschreibungen, die in den exponierten Kategorien übrig blieben, waren komplexer und besser bezahlt, und der Wettbewerb um sie verschärfte sich. Substitution leerte die Kategorie mit anderen Worten nicht; sie entfernte deren unteres Ende.

Warum zuerst Schreiben, Übersetzen und Bildarbeit? Microsoft Researchs Analyse von 200,000 anonymisierten Gesprächen mit Bing Copilot, veröffentlicht 2025, gibt dem Mechanismus eine Form. Die Berufe mit der höchsten KI-Anwendbarkeit waren jene, deren Arbeit im Sammeln, Erzeugen und Kommunizieren von Informationen besteht; Dolmetscher und Übersetzer standen an der Spitze der Liste, wobei sich 98% ihrer Arbeitstätigkeiten mit Aufgaben überschnitten, die der Assistent bereits gut erledigte. Anwendbarkeit ist nicht gleichbedeutend mit Verdrängung, und die Autoren betonen dies ausdrücklich, doch die Rangfolge sagt fast genau vorher, welche Freelance-Kategorien die Plattformstudien schrumpfen sahen.

Die jüngste und für einen unternehmerischen Leser aufschlussreichste Evidenz stammt von Auyon Siddiq und Niuniu Zhang von der UCLA Anderson. Ihr Working Paper aus dem Jahr 2026, „Human Capital, AI, and Labor Commoditization" (Humankapital, KI und die Kommodifizierung von Arbeit), verfolgt knapp 50,000 Upwork-Freelancer, die schon vor ChatGPT aktiv waren, über 21 Quartale von Anfang 2021 bis Anfang 2026 und erfasst dabei 2.26 million abgeschlossene Aufträge. Statt Aufträge zu zählen, fragen die Autoren, was vorhersagt, wer beauftragt wird. In stärker KI-exponierten Kategorien wie Übersetzung und Schreiben sank das kombinierte Vorhersagegewicht aus Selbstdarstellung, Qualifikationen und Reputation eines Freelancers im Vergleich zu weniger exponierten Kategorien wie Fotografie um etwa 7.8%, während das Gewicht des Preises stieg. Im letzten betrachteten Jahr hatten die Humankapital-Kennzahlen etwa 10.1% ihrer Bedeutung eingebüßt, und der Preis hatte etwa 1.8% hinzugewonnen. Der Vorteil erfahrener Freelancer verringerte sich um 6.2% und danach um weitere 10.3%, und bei der am stärksten exponierten Arbeit gewannen günstigere Freelancer 7.9% mehr Aufträge. Die Gesamtnachfrage in exponierten Bereichen sank um etwa 7%. Die Autoren nennen dies Kommodifizierung: Wenn ein Käufer von einem Modell einen brauchbaren ersten Entwurf erhalten kann, verschiebt sich das, wofür er einen Menschen bezahlt, von der Frage „Wer bist du" zur Frage „Wie viel".

Befund 2: Der Gesamteffekt ist weiterhin gering, mit einer lautstarken Ausnahme

Wäre die Evidenz von den Plattformen die ganze Geschichte, müssten sich inzwischen auch in den nationalen Statistiken Spuren davon zeigen. Meist ist das nicht der Fall, und gerade die Studien, die keine großen Effekte finden, gehören zu den methodisch besten.

Anders Humlum und Emilie Vestergaard verknüpften groß angelegte Akzeptanzumfragen mit dänischen Verwaltungsdaten zum Arbeitsmarkt und erfassten dabei 25,000 Beschäftigte und 7,000 Betriebe in elf exponierten Berufen. Ihr NBER-Working-Paper, erstmals 2025 verbreitet und im März 2026 überarbeitet, dokumentiert eine rasche Verbreitung: Die meisten Arbeitgeber in exponierten Berufen hatten Chatbot-Initiativen gestartet, Beschäftigte berichteten von Produktivitätsvorteilen, und neue KI-bezogene Aufgaben waren weit verbreitet. Dennoch sind die Difference-in-Differences-Schätzungen zu Einkommen und erfassten Arbeitsstunden präzise Nullbefunde, die zwei Jahre nach ChatGPT sowohl auf Ebene der Beschäftigten als auch auf Betriebsebene Effekte von mehr als 2% ausschließen. Was sich veränderte, war die Struktur der Arbeit: Arbeitgeber absorbierten die Technologie durch die Neuordnung von Aufgaben, einschließlich neuer Aufgaben in der Inhaltserstellung, der KI-Aufsicht und der KI-Integration, und Anwender wechselten in besser bezahlte Berufe, in denen die Werkzeuge nützlicher sind, allerdings in zu geringer Zahl, um die Durchschnittswerte zu verschieben. Die frühere Fassung des Papers bezifferte die selbstberichteten Zeitersparnisse auf unter 3% der Arbeitsstunden, einen Bruchteil der Gewinne, häufig über 15%, die kontrollierte Studien in denselben Berufen dokumentieren. Die Kluft zwischen dem, was KI in einer Studie leisten kann, und dem, was sie in einer Gehaltsabrechnung verändert, ist das zentrale Rätsel dieser Literatur, und Dänemark ist der Ort, an dem sie am saubersten gemessen wird.

Das Budget Lab an der Yale University kommt für die Vereinigten Staaten auf einem anderen Weg zu einem ähnlichen Schluss. Durch die Verfolgung der Berufszusammensetzung der Beschäftigung und die Anwendung synthetischer Difference-in-Differences-Verfahren auf KI-exponierte Berufe finden die Aktualisierungen von 2025 und 2026 keinen eindeutigen KI-Fußabdruck. Anfang 2026 zeigen sich sowohl wenige Entlassungen als auch wenige Neueinstellungen, und die Autoren argumentieren, dass bei einer Technologie mit weitreichenden Effekten zu erwarten wäre, dass diese länger als die rund drei Jahre seit ChatGPT brauchen, um sichtbar zu werden.

Die Ausnahme wird von Erik Brynjolfsson, Bharat Chandar und Ruyu Chen am Digital Economy Lab der Stanford University dokumentiert, deren Paper „Canaries in the Coal Mine?" (Kanarienvögel im Kohlebergwerk?) ADP-Gehaltsabrechnungsdaten zu Millionen amerikanischer Beschäftigter verwendet. In der Aktualisierung vom August 2026, mit Daten bis Juni 2026, lag die Beschäftigung von Beschäftigten im Alter von 22 bis 25 Jahren in stark KI-exponierten Berufen etwa 19% unter dem Niveau, das sie erreicht hätte, wäre sie dem Verlauf gleichaltriger Beschäftigter in weniger exponierten Berufen gefolgt, gegenüber einer Lücke von 15% ein Jahr zuvor. In absoluten Werten sank die Beschäftigung dieser Altersgruppe in den beiden am stärksten exponierten Quintilen zwischen November 2022 und Juni 2026 um etwa 11%, während die Beschäftigung in den drei am wenigsten exponierten Quintilen um etwa 10% wuchs. Erfahrene Beschäftigte zeigen keine vergleichbare Lücke, und die Autoren stellen unmissverständlich fest, dass sie keine breite, gesamtwirtschaftliche Verdrängung erkennen. Die Rückgänge konzentrieren sich auf Berufe, in denen der Einsatz von KI Arbeit automatisiert, statt sie zu ergänzen.

Diese Ergebnisse lassen sich miteinander vereinbaren, sobald man aufhört, von KI ein Verhalten wie bei einer Rezession zu erwarten. Substitution auf Ebene einzelner Aufgaben zeigt sich zuerst dort, wo Verträge am kürzesten sind und am häufigsten neu bepreist werden: bei Freelance-Aufträgen und bei Einstellungen für Berufseinsteiger. Der Freelance-Markt ist der Kanarienvogel, weil er sich wöchentlich neu bepreist; die Gehaltsabrechnung ist das Bergwerk, und die Luft dort hat sich bislang am wenigsten verändert.

Befund 3: Die Erträge der Ergänzung sind groß, aber ungleich verteilt, und die Grenze ist zerklüftet

Das Gegenstück zur Substitution ist die Ergänzung, und hier ist die experimentelle Evidenz ungewöhnlich stark, weil Randomisierung möglich ist.

Brynjolfsson, Danielle Li und Lindsey Raymond untersuchten die gestaffelte Einführung eines generativen KI-Assistenten bei 5,179 Kundendienstmitarbeitern, in einer 2025 im Quarterly Journal of Economics veröffentlichten Studie. Die pro Stunde gelösten Anliegen stiegen im Schnitt um 14%, mit einem Zuwachs von 34% bei unerfahrenen und geringer qualifizierten Mitarbeitern und kaum Veränderung bei erfahrenen, hochqualifizierten. Das Werkzeug schien die Praktiken der besten Mitarbeiter zu erfassen und an die neuesten weiterzugeben, wodurch diese die Erfahrungskurve schneller durchliefen.

Fabrizio Dell'Acqua und Kollegen an der Harvard Business School randomisierten in Zusammenarbeit mit BCG 758 Unternehmensberater über realistische Aufgaben hinweg, mit und ohne GPT-4, in einer inzwischen in Organization Science veröffentlichten Studie. Bei achtzehn Aufgaben innerhalb der Kompetenz des Modells erledigten Berater mit KI 12.2% mehr Aufgaben, 25.1% schneller, bei einer von blinden Gutachtern um 40% höher bewerteten Qualität. Bei einer Aufgabe, die bewusst außerhalb dieser Kompetenz gewählt wurde, war bei Beratern mit KI die Wahrscheinlichkeit, die richtige Antwort zu erreichen, um 19 Prozentpunkte geringer. Die Formulierung der Autoren für diese Grenze, die zerklüftete technologische Grenze, ist zur Standardbeschreibung des Problems geworden: Die Kompetenz des Werkzeugs verläuft nicht entlang von Linien, die ein Nutzer erkennen kann, und Nutzer sind schlecht darin, zu erkennen, auf welcher Seite dieser Linie sie sich gerade befinden.

Ein Feldexperiment innerhalb der Kundendienstabteilung von Alibaba von Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu und Koautoren replizierte dieses Verteilungsmuster in großem Maßstab: 5,940 neue Mitarbeiter, rund 2.56 million Chats, 390,000 Kundenbewertungen. Leistungsschwächere verbesserten sich sowohl bei Geschwindigkeit als auch bei Qualität am stärksten; Spitzenkräfte gewannen kaum an Geschwindigkeit und verloren sowohl bei subjektiven als auch bei objektiven Maßen an Qualität. Unterstützung, die den Boden anhebt, kann die Decke absenken.

Dann ist da noch METRs randomisierte Studie mit erfahrenen Open-Source-Entwicklern, veröffentlicht im Juli 2025, die das meistzitierte warnende Ergebnis dieser Periode ist und eine präzise Darstellung verdient. Sechzehn Entwickler bearbeiteten 246 reale Aufgaben in Repositories, die sie selbst betreuten, mit im Schnitt über 22,000 Stars und einer Million Codezeilen, wobei die Aufgaben zufällig mit oder ohne KI-Werkzeuge zugewiesen wurden, überwiegend Cursor mit Claude 3.5 und 3.7 Sonnet. Mit KI brauchten sie 19% länger. Vor der Studie hatten sie eine Beschleunigung um 24% vorhergesagt; im Nachhinein schätzten sie, 20% schneller gewesen zu sein. Die Wahrnehmungslücke ist ebenso bedeutsam wie das Produktivitätsergebnis. Sie legt nahe, dass selbstberichtete Gewinne, auf denen die meisten Branchenumfragen beruhen, systematisch zu hoch eingeschätzt werden, und zwar gerade dort, wo die Expertise am größten ist. Die Implikationen speziell für die Softwareentwicklung werden in Ersetzt KI Softwareentwickler? behandelt.

Ein Überblicksartikel aus dem Jahr 2025 von R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan und Ole Teutloff führt diese Stränge über die gesamte Literatur hinweg zusammen: Produktivitätsgewinne von etwa 20% bis 60% in kontrollierten Studien und 15% bis 30% in Feldexperimenten, größer bei Berufsanfängern und einfachen Aufgaben, uneinheitlich bei komplexen Aufgaben, wobei digitale Spurdaten Substitution beim Schreiben und Übersetzen zeigen, neben einer steigenden Nachfrage nach KI-Kompetenzen und schwachen, aber wachsenden Hinweisen auf eine sinkende Nachfrage nach Berufsanfängern.

Befund 4: Agenten sind vom Assistenten zur Arbeitskraft geworden, und die Zuverlässigkeitslücke ist die ganze Geschichte

Alles bisher Genannte betrifft KI als Assistenten eines Menschen, der bei jedem Schritt eingebunden bleibt. Die Veränderung seit 2025 besteht darin, dass Systeme nun mehrstufige Arbeit ausführen, wobei der Mensch erst am Ende prüft, oder gar nicht, und das verändert, welche Evidenz zählt.

METRs Zeithorizont-Maß fragt, wie lange eine Aufgabe, ausgedrückt in der Zeit, die eine menschliche Fachkraft benötigen würde, von einem System mit einer Erfolgsquote von 50% bewältigt werden kann. In der Überarbeitung der Methodik vom Januar 2026, mit einer auf 228 Aufgaben erweiterten Testreihe, darunter 31 von acht Stunden oder mehr, wurde die langfristige Verdopplungszeit auf etwa 196 Tage geschätzt, mit einer schnelleren Verdopplung von 131 Tagen seit 2023 und 89 Tagen seit 2024. Das zu diesem Zeitpunkt am besten gemessene Modell, Claude Opus 4.5, hatte einen 50%-Horizont von etwa 320 Minuten, mit einem breiten Konfidenzintervall von etwa drei bis zwölf Stunden. Die Autoren stellen ausdrücklich klar, dass eine Erfolgsschwelle von 50% für reale Arbeit großzügig ist, dass der Trend empfindlich auf die Zusammensetzung der Aufgaben reagiert und dass die meisten langen Aufgaben geschätzte statt gemessene menschliche Zeiten verwenden. Trotz dieser Einschränkungen ist die Richtung eindeutig: Die Länge digitaler Arbeit, die delegiert werden kann, wächst exponentiell.

OpenAIs GDPval-Evaluation, veröffentlicht Ende 2025, prüft, ob diese delegierte Arbeit überhaupt taugt. Die Aufgaben wurden von Fachleuten in 44 Berufen aus neun Branchen mit im Schnitt 14 Jahren Erfahrung verfasst und im verblindeten paarweisen Expertenvergleich gegen das menschliche Arbeitsergebnis bewertet. Das beste Modell, Claude Opus 4.1, lieferte in 47.6% der Fälle Ergebnisse, die besser als oder gleichwertig mit denen der Fachkraft bewertet wurden. Die Zahl, die sich ein Unternehmen merken sollte, ist eine andere. Der naive Vergleich von Maschinenzeit mit menschlicher Zeit ergibt Verhältnisse von nahezu dem Neunzigfachen, doch sobald das Paper berücksichtigt, dass ein Mensch die Arbeit prüft und, wo nötig, überarbeitet, sinkt die geschätzte Einsparung je nach Strategie auf das 1.12-fache bis 1.39-fache. Die Kosten sind bei der Prüfung geblieben. Das ist derselbe Mechanismus, den Dell'Acqua bei Beratern und METR bei Entwicklern fand, nun gemessen auf der Ebene des einzelnen Arbeitsergebnisses.

Benchmarks für den Arbeitsplatz zeigen sowohl das Tempo des Fortschritts als auch den verbleibenden Rest. TheAgentCompany, von der Carnegie Mellon University, setzte Agenten in eine simulierte Softwarefirma mit echten Instanzen von GitLab, OwnCloud, Plane und RocketChat sowie 175 Aufgaben; der beste Agent erledigte davon bei der Einführung Ende 2024 etwa ein Viertel und im Laufe von 2025 etwa 30%. Olly Styles und Sam Miller betrachteten ihren WorkBench-Benchmark im Juni 2026 erneut und berichteten, dass die Erfüllungsquote des besten Agenten von 43% für GPT-4 im März 2024 auf 98% für Claude Fable 5 gestiegen sei, während der Anteil der Durchläufe mit unbeabsichtigten schädlichen Handlungen von 26% auf 1.9% gefallen sei. Sie berichten außerdem, dass führende Modelle weiterhin grundlegende Fehler machen, die gelegentlich irreversiblen Schaden verursachen. Zwei Prozent sind sehr gut; es ist aber auch etwa einer von fünfzig Durchläufen, bei dem etwas geschieht, das nicht geschehen sollte.

Das Alibaba-Feldexperiment von 2026 von Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu und Bingxin Jia ist die erste randomisierte Evidenz zu agentischer KI mit eingebundenen Menschen in einem laufenden Servicebetrieb. Beschäftigte in der Behandlungsgruppe beaufsichtigten einen Agenten, der geeignete Kundenchats übernahm, während sie den Rest von Hand bearbeiteten. Die durchschnittliche Chatdauer sank, mit begrenztem Effekt darauf, ob Kunden mit demselben Problem zurückkehrten, doch Chats, die der Agent bearbeitete, erhielten deutlich schlechtere Bewertungen. Menschliches Eingreifen rettete die Situation deutlich besser, wenn das Versagen technischer Natur war, ein ungelöstes Problem, als wenn es emotional war, ein frustrierter Kunde, und es wirkte am besten, wenn es früh erfolgte. Beaufsichtigende Beschäftigte widmeten zudem den Chats, die sie weiterhin selbst bearbeiteten, mehr Aufmerksamkeit, ein positiver Nebeneffekt. Dies ist die bislang direkteste Evidenz dazu, wie die Übergabe zwischen Agent und Mensch gestaltet werden sollte: früh hinschauen, bei Fakten eingreifen und Gefühle nicht der Maschine überlassen.

Adoptionsdaten bestätigen, dass sich diese Verschiebung nicht auf Labore beschränkt. Anthropics Economic Index für März 2026 berichtet, dass in 49% der Berufe mindestens ein Viertel der Aufgaben mit Claude ausgeführt wurde und dass sich Programmierarbeit von der dialogbasierten Nutzung hin zu automatisierten API-Workflows verlagert hat, wobei der Programmieranteil in der API seit August 2025 um 14% gestiegen und im Chat-Produkt um 18% gefallen ist. Lightcasts Beitrag zum Stanford AI Index 2026 findet KI-Kompetenzen in 2.5% aller US-Stellenausschreibungen, wobei Ausschreibungen, die einen Kompetenzcluster „agentische KI" erwähnen, von 0.06% im Jahr 2024 auf 0.23% im Jahr 2025 gestiegen sind, rund 90,000 Ausschreibungen. Und bei UpBench, einem 2025 aus realen, abgeschlossenen Aufträgen auf dem Upwork-Marktplatz entwickelten Benchmark, zerlegen erfahrene Freelancer jeden Auftrag in überprüfbare Abnahmekriterien, anhand derer Agenten bewertet werden. Agenten mit demselben Maßstab zu bewerten, den ein Kunde bei einem Freelancer anlegen würde, ist ein Signal dafür, wohin sich die Angebotsseite voraussichtlich entwickeln wird.

Mechanismen: warum das Muster so aussieht

Vier Mechanismen erklären den größten Teil dessen, was die Evidenz zeigt, und es lohnt sich, sie zu benennen, weil sie vorhersagen, was als Nächstes geschieht.

Der erste ist die Kommodifizierung von Routinekompetenz. Wenn ein Modell einen akzeptablen Entwurf einer Produktbeschreibung, einer Übersetzung oder eines Standardmoduls erzeugt, sinkt die Zahlungsbereitschaft des Käufers für die Qualifikationen eines Menschen in dieser Kategorie, und der Preis wird zur entscheidenden Variable. Siddiq und Zhang messen genau diese Verschiebung, und Demirci und Kollegen zeigen ihr Spiegelbild: Die Arbeit, die menschlich bleibt, wird komplexer, besser bezahlt und stärker umkämpft.

Der zweite ist die Kosten der Verifikation als bindende Restriktion. Produktion ist billig geworden, Prüfung nicht. GDPvals Einbruch vom Neunzigfachen auf unter das 1.4-fache, sobald die Prüfung eingerechnet wird, METRs verlangsamte Experten und die zerklüftete Grenze beschreiben alle dieselbe Ökonomie. Wer ein Arbeitsergebnis günstig verifizieren kann, vereinnahmt den Gewinn; wer das nicht kann, zahlt dafür in Form von Nacharbeit oder unentdeckten Fehlern. Deshalb fließen die Gewinne an Berufsanfänger bei Aufgaben mit leicht durchführbaren Prüfungen und stagnieren bei Experten für Aufgaben, bei denen die Prüfung ebenso viel kostet wie die Ausführung selbst.

Der dritte ist die Nachwuchslücke. Die Aufgaben, die ein Agent gut erledigt, sind genau jene Aufgaben, die Firmen früher jungen Mitarbeitern und jungen Freelancern übertrugen, damit diese daraus lernen konnten. Brynjolfsson, Li und Raymond zeigen, dass Unterstützung Berufsanfängern am meisten hilft; Brynjolfsson, Chandar und Chen zeigen, dass Firmen dennoch weniger von ihnen einstellen. Beides kann zutreffen: Eine Firma, die weniger Berufsanfänger braucht, um denselben Output zu erzielen, stellt weniger Berufsanfänger ein, selbst wenn jeder Einzelne produktiver ist. Die langfristigen Kosten, eine dünnere Pipeline erfahrener Fachkräfte, sind in keinem Datensatz bislang sichtbar und stellen die wichtigste ungemessene Variable in diesem Feld dar.

Der vierte ist das Fortbestehen komplementärer menschlicher Aufgaben. Demircis Vergleichsgruppe manuell intensiver Arbeit ging nicht zurück. Das Alibaba-Experiment zeigt, dass sich emotionale Fehlschläge einer maschinellen Rettung widersetzen. Verantwortlichkeit, Präsenz, körperliche Arbeit und Beziehungen bleiben menschlich, aus Gründen, die nichts mit der Fähigkeit der Modelle zu tun haben und alles damit, was ein Kunde akzeptieren wird.

Ein skeptischer Leser sollte diesen Erklärungen zwei alternative gegenüberstellen. Der Rückgang bei Berufseinsteigern in den Vereinigten Staaten fällt zeitlich mit höheren Zinsen und dem Abbau der pandemiebedingten Einstellungswelle in der Technologiebranche zusammen, was dieselbe Kohorte unabhängig davon getroffen hat; die Stanford-Autoren begegnen dem mit unternehmensinternen Vergleichen und indem sie automatisierende Berufe ergänzenden Berufen gegenüberstellen, doch die Störvariable lässt sich nicht vollständig ausschließen. Und jedes „Exponierungs"-Maß ist selbst modellbasiert, sodass die Studien teilweise die Annahmen des Klassifikators testen. Dänemarks Institutionen der Tarifverhandlung könnten zudem Lohnreaktionen dämpfen, die sich in einem lockereren Arbeitsmarkt schneller zeigen würden.

Wie die Plattformen reagierten

Die Marktplätze lasen dieselben Signale und reagierten. Im April 2025 schrieb Fiverrs Geschäftsführer Micha Kaufman an die Belegschaft, „KI ist hinter euren Jobs her", einschließlich seines eigenen, und forderte sie auf, Werkzeuge wie Cursor und Legora zu beherrschen; im September 2025 strich das Unternehmen etwa 250 Stellen, knapp 30% seiner Belegschaft, um zu einem, wie es selbst formulierte, KI-first-Unternehmen zu werden, nachdem es im Februar desselben Jahres seine Creator-Werkzeuge Fiverr Go gestartet hatte. Upwork baut seinen Assistenten Uma zu dem aus, was das Unternehmen als durchgängig verfügbaren Arbeitsagenten beschreibt, der im Auftrag von Kunden und Freelancern Handlungen ausführt, und sein Future Workforce Index 2026 definiert den erfolgreichen Freelancer neu als „KI-Orchestrator", der Werkzeuge mit Fachwissen verbindet und Urteilsvermögen anwendet. Derselbe Bericht liefert das Preissignal in einem Satz: Freelancer, die KI-Arbeit leisteten, verdienten pro Stunde 34% mehr als jene, die dies nicht taten, komplexe, KI-ergänzte Arbeit verzeichnete einen Einkommenszuwachs von 45% gegenüber dem Vorjahr, während generative KI- und Kreativproduktionsarbeit bei den Auftragsstarts um 90% wuchs, während die Einnahmen pro Auftrag um 13% sanken. Das Volumen verschob sich zum einfachen Ende, das Geld zum komplexen Ende.

Jobbit, die Plattform, auf der diese Fallstudie veröffentlicht wird, wurde um genau jene Arbeitsteilung herum konzipiert, auf die die Evidenz hindeutet, statt um eine der beiden Seiten davon. Der Agent übernimmt die prüfbare digitale Arbeit: den Aufbau und die Bereitstellung einer Website oder Web-App, das Verfassen von Dokumenten und Präsentationen, das Durchführen von Recherchen, das Einrichten von Automatisierungen sowie das Erzeugen von Bildern und Videos. Der Nutzer kann ihm im Agent-Browser bei der Arbeit zusehen und jederzeit die Kontrolle übernehmen, was genau das Muster des frühen Eingreifens ist, das sich im Alibaba-Experiment als am wirksamsten erwiesen hat. Für Arbeit, die ein Agent schlecht erledigt oder nicht allein erledigen sollte, physische und lokale Aufträge, verantwortliche fachliche Prüfung, alles, wofür ein Kunde einen Menschen braucht, leitet die Plattform an ein moderiertes menschliches Netzwerk auf pro.jobbit.uk weiter. Jobbit hat keine eigenen Studiendaten veröffentlicht, und diese Fallstudie erhebt keinen Anspruch auf gemessene Ergebnisse für die Plattform selbst; der Anspruch bezieht sich auf die Passung zwischen einem Design und der Evidenz. Leser, die sich für die Mechanik interessieren, können bei was agentische KI eigentlich ist beginnen, bei der Anleitung zum Beobachten und Übernehmen der Kontrolle über den Agent-Browser und bei der praktischen Liste der KI-Anwendungsfälle für ein kleines Unternehmen.

Was ein Unternehmen mit dieser Evidenz tun sollte

Die Befunde lassen sich in eine Delegationsregel übersetzen, die ein Unternehmer anwenden kann, ohne auch nur eine einzige Studie gelesen zu haben.

Übertragen Sie einem Agenten die Arbeit, die routinemäßig und prüfbar ist: erste Entwürfe, Zusammenfassungen, Rechercheunterlagen, Standarddokumente, eine Website oder ein internes Werkzeug, das sich an einem Nachmittag durchklicken und prüfen lässt. Hier findet jede Studie die größten Gewinne, besonders dort, wo das Unternehmen die Aufgabe derzeit langsam oder gar nicht erledigt, weil der Anfängereffekt für Firmen ebenso gilt wie für Menschen. Eine praktische Ausgangsreihenfolge findet sich in wie Sie Ihr Unternehmen mit KI-Agenten automatisieren.

Belassen Sie einen Menschen bei der Arbeit, die irreversibel, emotional, physisch oder mit Verantwortung verbunden ist: alles, was Geld überweist, Daten löscht, mit einem verärgerten Kunden zu tun hat oder verlangt, dass jemand für das Ergebnis geradesteht. Das Alibaba-Experiment und der verbleibende Rest bei WorkBench weisen in dieselbe Richtung.

Rechnen Sie die Prüfzeit ein, bevor Sie entscheiden, dass ein Agent günstiger ist. GDPvals ehrliche Rechnung, eine Einsparung von 12% bis 39% statt dem Neunzigfachen, ist die Zahl, mit der Sie planen sollten. Kann niemand im Unternehmen das Arbeitsergebnis prüfen, ist die Einsparung nicht real; die Antwort lautet in diesem Fall, den Agenten die Arbeit erledigen und eine menschliche Fachkraft sie prüfen zu lassen, also genau jene Anordnung, für die die Freelance-Daten zeigen, dass Käufer bereits einen Aufpreis zahlen.

Rechnen Sie damit, dass die Grenze zerklüftet ist und sich verschiebt. Eine Aufgabe, die der Agent im Januar noch nicht bewältigen konnte, kann im September bereits Routine sein, umgekehrt gilt das nicht. Testen Sie, führen Sie Buch darüber, was geprüft wurde und was fehlgeschlagen ist, und überarbeiten Sie die Aufteilung jedes Quartal.

Einschränkungen und offene Fragen

Die meisten der großen Datensätze stammen aus den Vereinigten Staaten, und Plattformdaten messen die ausgeschriebene Nachfrage, nicht die gesamte geleistete Arbeit. Exponierungsmaße sind modellbasiert, und die Ergebnisse übernehmen teilweise die Annahmen des Klassifikators. Die Betrachtungszeiträume sind kurz: zwei Jahre in Dänemark, unter vier in den Vereinigten Staaten, und der Hinweis der Yale-Autoren, dass weitreichende Effekte länger brauchen könnten, ist berechtigt. Benchmarks sind keine Arbeitsplätze; GDPval-Aufgaben sind in sich abgeschlossene Arbeitsergebnisse, und WorkBench ist ein synthetisches Büro, während reale Arbeit unterbrochen, mehrdeutig und von Interessen geprägt ist. Die Fähigkeiten entwickeln sich schnell genug, dass jede Zahl in dieser Studie nur eine Momentaufnahme ist, und die Studien, die am ehesten überholt werden, sind die Fähigkeitszahlen, nicht die arbeitsmarktbezogenen. Schließlich lässt sich der Effekt, der für das kommende Jahrzehnt am wichtigsten ist, nämlich ob eine dünnere Nachwuchspipeline das Angebot an erfahrenen Fachkräften schmälert, bislang überhaupt nicht messen.

Fazit

Ersetzen KI-Agenten Freelancer? Bislang ersetzen sie Aufgaben, und zwar dort, wo sich das Arbeitsergebnis einer Aufgabe als routinemäßig herstellen und beurteilen lässt. Das hat genügt, um den Markt für Massenware bei Text-, Übersetzungs- und Bildarbeit schrumpfen zu lassen, die Einstellungsprämie für Qualifikationen in diesen Kategorien zu schwächen und Einstellungen für Berufseinsteiger in exponierten Berufen deutlich zu senken, während Einkommen und Arbeitsstunden über ganze Volkswirtschaften hinweg im Wesentlichen unverändert blieben. Der Freelancer, der in den Daten erfolgreich ist, ist derjenige, der Urteilsvermögen, Verantwortlichkeit und die Fähigkeit verkauft, maschinelle Arbeit anzuleiten und zu prüfen; das Unternehmen, das profitiert, ist jenes, das lernt, das Routinemäßige zu delegieren und zu prüfen, und das einen Menschen bei allem belässt, was sich nicht rückgängig machen lässt. Der Markt verliert nicht eine Seite der Transaktion. Er organisiert sich um die Übergabe zwischen beiden Seiten neu, und die Plattformen, die diese Übergabe leicht machen, sind jene, die die Evidenz begünstigt.

Häufig gestellte Fragen

Ersetzen KI-Agenten Freelancer?

Nicht als Kategorie. Die beste Evidenz aus den Jahren 2022 bis 2026 zeigt, dass KI bestimmte Aufgaben ersetzt, vor allem routinemäßiges Schreiben, Übersetzen, Bilderstellung und einfache Programmierung, wo die Ausschreibungen innerhalb weniger Monate nach ChatGPT im Vergleich zu manueller Arbeit um etwa ein Fünftel zurückgingen. Die Nachfrage nach komplexer Arbeit in denselben Kategorien stieg sowohl bei der Bezahlung als auch beim Wettbewerb, und nationale Daten zeigen keine gesamtwirtschaftliche Verdrängung. Die eindeutigsten Verlierer sind Berufseinsteiger in exponierten Berufen, nicht erfahrene Freelancer.

Welche Freelance-Tätigkeiten sind am stärksten von KI betroffen?

Schreiben, Übersetzen, Content-Bearbeitung, Bild- und Designproduktion sowie routinemäßiges Programmieren. Studien zu Upwork und anderen Plattformen zeigen, dass diese Kategorien Ausschreibungen verloren haben und dass Qualifikationen bei der Beauftragung durch Kunden weniger und der Preis mehr zählen. Arbeit, die physisch, ortsgebunden, beziehungsbasiert ist oder Verantwortlichkeit für das Ergebnis trägt, ist bislang weitgehend unberührt geblieben.

Ist es günstiger, einen KI-Agenten einzusetzen, als einen Freelancer zu beauftragen?

Für routinemäßige, prüfbare Arbeit meist ja, allerdings in geringerem Umfang, als es plakative Vergleiche nahelegen. OpenAIs GDPval-Evaluation ergab, dass Modelle professionelle Arbeitsergebnisse in reinen Zeitwerten etwa neunzigmal schneller erzeugen, doch sobald menschliche Prüfung und Korrektur eingerechnet werden, sinkt die Einsparung auf etwa 12% bis 39%. Kann niemand im Unternehmen das Arbeitsergebnis prüfen, ist die realistische Option, dass ein Agent die Arbeit erledigt und eine menschliche Fachkraft sie kontrolliert.

Welche Arbeit sollte ein kleines Unternehmen weiterhin einem Menschen übertragen?

Alles, was irreversibel, emotional, physisch oder mit Verantwortung verbunden ist: Zahlungen und Löschungen, verärgerte Kunden, Vor-Ort-Aufträge und Ergebnisse, für die jemand geradestehen muss. Ein Feldexperiment bei Alibaba aus dem Jahr 2026 stellte fest, dass von Agenten bearbeitete Service-Chats zwar schneller, aber schlechter bewertet waren, und dass menschliches Eingreifen technische Fehlschläge weit besser rettete als emotionale. Plattformen wie Jobbit verbinden einen Agenten für digitale Aufgaben mit einem menschlichen Netzwerk genau für diesen Rest.

Warum widersprechen sich Studien zu KI und Arbeitsplätzen?

Sie messen meist unterschiedliche Dinge. Kontrollierte Experimente messen, was KI bei ausgewählten Aufgaben leisten kann, und finden große Gewinne; Plattformdaten messen die Nachfrage nach bestimmten Aufgabenkategorien und finden deutliche lokale Rückgänge; Gehaltsabrechnungs- und Verwaltungsdaten messen die gesamtwirtschaftliche Beschäftigung und Einkommen und finden bislang kaum Veränderung. Das Bild ist stimmig, sobald Substitution auf Aufgabenebene, ungleich verteilte Ergänzung und eine langsame gesamtwirtschaftliche Anpassung gemeinsam gelesen werden.