Künstliche Intelligenz, Arbeitsmarktwandel und das bedingungslose Grundeinkommen als sozialpolitische Antwort
Zusammenfassung. Die rasche Diffusion generativer KI-Systeme und intelligenter Robotik stellt die Lohnarbeitsgesellschaft vor eine fundamentale Herausforderung. Anders als frühere technologische Disruptionen erfasst die aktuelle Automatisierungswelle auch kognitive, kreative und kommunikative Tätigkeiten, die bislang als komplementär zur menschlichen Arbeit galten. Dieser Beitrag diskutiert die These, dass ein dauerhafter Strukturbruch zwischen Produktivitätsgewinnen und Erwerbsteilhabe droht, und prüft das bedingungslose Grundeinkommen (BGE) als institutionelle Antwort. Diskutiert werden empirische Befunde, Finanzierungsfragen, kritische Einwände sowie psychologische und arbeitssoziologische Implikationen.
**Schlagwörter:** Künstliche Intelligenz, Automatisierung, Arbeitsmarkt, Bedingungsloses Grundeinkommen, Soziale Ungleichheit, Prekariat, Anerkennung
-----
## 1. Einleitung
Die Frage, ob technologischer Fortschritt menschliche Arbeit dauerhaft verdrängt, ist so alt wie die Industrialisierung selbst. Von den Ludditen im England des frühen 19. Jahrhunderts über die Automatisierungsdebatten der 1960er Jahre bis zu Keynes’ (1930) berühmter Prognose einer 15-Stunden-Woche zog sich die Sorge vor „technologischer Arbeitslosigkeit” durch die Wirtschaftsgeschichte. Bislang erwies sie sich als unbegründet: Technologie schuf langfristig mehr Arbeit, als sie zerstörte – durch Produktivitätsgewinne, neue Branchen und Komplementaritätseffekte (Autor, 2015).
Die These dieses Beitrags lautet, dass die gegenwärtige KI-Revolution eine qualitativ andere Dynamik entfaltet. Wenn auch kognitive, kreative und kommunikative Tätigkeiten substituierbar werden – also genau jene, in die historisch verdrängte Arbeit reintegriert wurde – verliert das Lohnarbeitsverhältnis seine universelle Verteilungsfunktion. Unter diesen Bedingungen erscheint das bedingungslose Grundeinkommen (BGE) weniger als utopische Reform denn als institutionelle Vorsorge.
## 2. Empirische Befunde: Der Charakter des KI-induzierten Strukturwandels
### 2.1 Reichweite der Automatisierbarkeit
Frey und Osborne (2017) prognostizierten in einer vielzitierten Studie, dass etwa 47 Prozent der US-amerikanischen Berufe ein hohes Automatisierungsrisiko aufweisen. Spätere Replikationen für Deutschland und die OECD-Länder kamen zu konservativeren, aber substanziellen Werten von 9 bis 35 Prozent (Bonin et al., 2015; Arntz, Gregory & Zierahn, 2016). Entscheidend: Mit dem Durchbruch großer Sprachmodelle hat sich das betroffene Berufsspektrum verschoben. Auch hochqualifizierte Wissensarbeit – Recht, Beratung, Programmierung, Diagnostik, Übersetzung, Kreativarbeit – wird angreifbar (Eloundou et al., 2023). Eine IMF-Analyse schätzt, dass etwa 40 Prozent der globalen Arbeitsplätze – in fortgeschrittenen Volkswirtschaften bis zu 60 Prozent – KI-Exposition aufweisen, mit ambivalenten Effekten zwischen Komplementarität und Substitution (Cazzaniga et al., 2024).
### 2.2 Empirische Effekte: Roboter und Lohnentwicklung
Acemoglu und Restrepo (2020) zeigten für die USA, dass jeder zusätzliche Industrieroboter pro tausend Arbeitnehmer*innen die Beschäftigungsquote um etwa 0,2 Prozentpunkte und die Löhne um etwa 0,42 Prozent senkte. Die Effekte konzentrierten sich auf mittlere Qualifikationsniveaus und produzierten räumliche Polarisierung. Diese Befunde unterscheiden sich qualitativ von den breit verteilten Wohlfahrtsgewinnen früherer Technologiewellen.
### 2.3 Der „Turing-Trap” und die Verteilungsfrage
Brynjolfsson (2022) warnt vor dem „Turing-Trap”: Wenn KI primär darauf ausgerichtet wird, Menschen zu imitieren und zu ersetzen statt zu ergänzen, fließen die Produktivitätsgewinne überproportional an Kapitaleigentümer. Empirisch sinkt die Lohnquote in OECD-Ländern seit den 1980er Jahren um etwa 5 Prozentpunkte (Karabarbounis & Neiman, 2014) – ein Trend, den KI strukturell verstärken dürfte. Wer Trainingsdaten, Compute und Modelle besitzt, vereinnahmt die Wertschöpfung; wer nur seine Arbeitskraft anbietet, verhandelt aus zunehmend schwacher Position.
## 3. Strukturelle Asymmetrien: Eine neue dauerhafte Unterschicht?
Die ökonomische These der „kompensatorischen Mechanismen” (neue Berufe, niedrigere Preise, höhere Realeinkommen) setzt voraus, dass verdrängte Arbeitnehmer*innen sich in neu entstehende Tätigkeiten reintegrieren können. Drei Friktionen sprechen dagegen:
**(1) Geschwindigkeitsasymmetrie.** KI-Modelle diffundieren in Monaten; berufliche Umschulung dauert Jahre. Die zeitliche Lücke zwischen Verdrängung und Rekonfiguration wird zur biografischen Krise.
**(2) Qualifikationsasymmetrie.** Die ergänzenden Tätigkeiten verlangen häufig kognitive Spitzenleistung. Nicht jede*r kann „Prompt Engineer”, KI-Auditor*in oder Mensch-Maschine-Systemdesigner*in werden. Die Verteilung kognitiver Fähigkeiten ist nicht beliebig elastisch.
**(3) Räumliche Asymmetrie.** Neue Wertschöpfung konzentriert sich in wenigen Tech-Clustern (Moretti, 2012). Strukturwandel produziert hier nicht nur Verlierer*innen, sondern Verlierer*innen-Regionen mit kumulativen sozialen, politischen und gesundheitlichen Folgen.
Standing (2011) diagnostiziert ein wachsendes „Prekariat”: Menschen ohne stabile Erwerbsbiografien, ohne berufsbasierte Identität, ohne Sozialversicherungsanker. Harari (2017) spitzt zu zur „useless class” – nicht im Sinne mangelnder Würde, sondern im Sinne ökonomischer Nicht-Verwertbarkeit. Beide Diagnosen sind streitbar, weisen aber auf ein reales Risiko: dass sich aus konjunktureller Verdrängung eine strukturelle Unterklasse verfestigt, die nicht mehr „aufholen” kann.
## 4. Das bedingungslose Grundeinkommen als institutionelle Antwort
Das BGE ist gekennzeichnet durch (a) Universalität, (b) Individualität, (c) Bedingungslosigkeit gegenüber Erwerbsarbeit, (d) Existenzsicherung (Van Parijs & Vanderborght, 2017). Es entkoppelt grundlegende Lebenssicherung von Erwerbsbeteiligung und reagiert damit strukturell auf das Problem, dass Erwerbsarbeit als universeller Verteilungsmechanismus an Reichweite verliert.
Drei Argumentationslinien stützen das BGE in der KI-Ära:
### 4.1 Verteilungslogisch
Wenn Produktivität primär durch Kapital (Daten, Modelle, Compute) generiert wird, muss ein Verteilungsmechanismus jenseits des Lohnarbeitsverhältnisses gefunden werden. Das BGE lässt sich als sozialer Dividendenanspruch auf das gesellschaftlich akkumulierte Wissen interpretieren – jene „kollektive Intelligenz”, auf der KI-Systeme aufbauen (vgl. Mason, 2015). Die Trainingsdaten generativer Modelle sind nicht das Privateigentum einzelner Konzerne, sondern Niederschlag jahrhundertelanger menschlicher Kulturleistung.
### 4.2 Funktional-ökonomisch
Massenkaufkraft ist Voraussetzung für funktionierende Märkte. Ein BGE stabilisiert aggregierte Nachfrage in Phasen technologischer Disruption und reduziert deflationäre Risiken (Bregman, 2017). Henry Fords ökonomische Intuition – seine Arbeiter sollten sich seine Autos leisten können – gilt mutatis mutandis für die KI-Ökonomie.
### 4.3 Anerkennungstheoretisch
Honneth (1992) und Sennett (1998) zeigen, dass Erwerbsarbeit zentrale Quellen sozialer Anerkennung und biografischer Kohärenz speist. Wenn Arbeit knapp wird, drohen Anerkennungsverluste mit messbaren psychischen Folgen – Depression, Suchterkrankungen, in den USA empirisch belegte „deaths of despair” (Case & Deaton, 2020). Das BGE entkoppelt materielle Existenz von Erwerbsarbeit, ohne die Tätigkeit selbst zu entwerten: Es erlaubt Sorgearbeit, Bildung, Ehrenamt, Kunst und unternehmerische Initiative jenseits des unmittelbaren Marktwerts.
## 5. Empirische Evidenz aus Pilotprojekten
Pilotstudien liefern bemerkenswert konsistente Hinweise:
- **Finnland (2017–2018, n = 2.000):** Keine negativen Beschäftigungseffekte, aber signifikante Verbesserungen bei Wohlbefinden, Vertrauen in Institutionen und Stressreduktion (Kangas et al., 2020).
- **„Mein Grundeinkommen” Deutschland (2021–2024, n = 122):** Kein Rückgang der Arbeitszeit, deutlich höhere Lebenszufriedenheit, mehr Investitionen in Bildung und soziale Kontakte (Bohmann et al., 2024).
- **Mincome Kanada (1974–1979):** Leichter Rückgang der Arbeitszeit nur bei sekundären Verdiener*innen (oft Mütter mit Kleinkindern); Schulabschlussquoten stiegen, Krankenhausaufenthalte sanken (Forget, 2011).
- **GiveDirectly Kenia (laufend):** BGE-Empfänger*innen reduzieren Arbeitszeit kaum, investieren aber in Bildung, Unternehmensgründungen und Gesundheit (Banerjee et al., 2019).
Die Konvergenz dieser Befunde über sehr unterschiedliche Wohlfahrtsstaaten und Einkommensniveaus ist methodisch erstaunlich. Wichtig bleibt die Einschränkung: Diese Studien testen partielle BGE-Modelle in begrenzten Zeiträumen. Skaleneffekte und langfristige kulturelle Anpassungen sind extrapolatorisch ungewiss.
## 6. Finanzierung und kritische Würdigung
### 6.1 Finanzierungsoptionen
Diskutiert werden eine Wertschöpfungssteuer (Werner, 2007), eine Konsumsteuer als Hauptfinanzierungsquelle, eine „Robotersteuer” (Gates, 2017), eine KI-Datenabgabe sowie eine negative Einkommensteuer in der Tradition Friedmans (1962). Straubhaar (2017) zeigt, dass ein BGE in Deutschland in Höhe des soziokulturellen Existenzminimums weitgehend aufkommensneutral durch Umschichtung bestehender Transfers finanzierbar wäre – ein Befund, der zwischen Idealtyp und realer Implementierung sorgfältig zu unterscheiden hat.
### 6.2 Substanzielle Einwände
Die Debatte ist keineswegs einseitig zu führen. Ernsthafte Gegenargumente sind:
- **Verteilungsregressivität:** Universalität bedeutet auch Transfers an Wohlhabende, die diese nicht benötigen.
- **Inflationsrisiko:** Zusätzliche Kaufkraft kann ohne entsprechende Produktivitätssteigerung Preise treiben, insbesondere in unelastischen Märkten wie Wohnen.
- **Arbeitsethik und Identität:** Kritiker*innen warnen vor einer normativen Entkopplung von Leistung und Anspruch.
- **Migrationsökonomie:** Universalität wirft Inklusions- und Grenzfragen auf.
- **Empirische Skepsis:** Wirtschaftshistoriker wie Mokyr (2018) argumentieren, dass Kompensationseffekte auch dieses Mal wirken werden – Technologie hat sich historisch immer geirrt, wer sie als „diesmal anders” beschrieb.
Ebenso ist offen, ob KI tatsächlich zu Massenarbeitslosigkeit führt. Acemoglu (2024) selbst hat seine Produktivitätsschätzungen für generative KI moderat angesetzt; Goldman Sachs (2023) prognostiziert erhebliche, aber bewältigbare Verschiebungen. Die These dieses Beitrags ist deshalb präzise formuliert: nicht „KI wird zur Massenarbeitslosigkeit führen”, sondern „die Wahrscheinlichkeit struktureller Verdrängung ist hoch genug, dass institutionelle Vorsorge rational ist”. Versicherungsökonomisch ist das BGE eine Option auf einen Zustand, dessen Eintreten nicht sicher, aber auch nicht unwahrscheinlich ist.
## 7. Psychologische Dimensionen: Jenseits der Verteilungsfrage
Eine sozialwissenschaftliche Auseinandersetzung darf nicht bei der Ökonomie stehenbleiben. Lohnarbeit erfüllt nach Jahoda (1982) latente Funktionen jenseits des Einkommens: Zeitstruktur, soziale Kontakte, kollektive Ziele, sozialer Status, Aktivität. Ein BGE löst diese Funktionen nicht automatisch – es schafft nur den Rahmen. Begleitende Politiken (Bildung, Engagementinfrastrukturen, Anerkennung jenseits von Erwerbsarbeit, Sorgearbeitsökonomien) sind notwendig.
Aus Human-Factors-Perspektive verschiebt sich die Kernfrage: Nicht „werden Menschen arbeitslos?”, sondern „welche Arbeit wollen wir behalten – und welche delegieren wir an Maschinen?”. Diese Frage ist nicht technisch, sondern normativ. Sie entscheidet, ob KI eine Befreiung oder eine Klassenspaltung hervorbringt. Mit ihr verbunden sind klassische Themen der Arbeits- und Ingenieurpsychologie: Trust Calibration in soziotechnische Systeme, Mode Confusion in hybriden Mensch-KI-Workflows, Automation Bias bei Entscheidungsunterstützung, Verlust von Kompetenzen (deskilling) durch Delegation. Die soziale Frage und die Human-Factors-Frage sind im Kern dieselbe.
## 8. Fazit
Die These, dass KI eine dauerhafte ökonomische Unterschicht erzeugt, ist nicht zwingend, aber wahrscheinlich genug, um institutionelle Vorsorge zu rechtfertigen. Das BGE ist keine vollständige Antwort: Bildungssysteme, Sozialversicherungen, Tarifstrukturen, Arbeitszeitpolitik, Antitrust für Tech-Konzerne und Datenrechte bleiben relevant. Aber es adressiert eine strukturelle Lücke, die mit den vorhandenen Instrumenten nicht zu schließen ist – die Lücke nämlich, die entsteht, wenn Erwerbsarbeit ihre universelle Verteilungsfunktion verliert.
Die entscheidende Einsicht ist institutionenökonomisch: Sozialpolitik muss antizipieren, nicht reagieren. Wenn die Polarisierung manifest geworden ist, ist der politische Korridor für solidarische Lösungen häufig geschlossen. Das BGE verdient deshalb nicht eine Verteidigung als Utopie, sondern eine ernsthafte Prüfung als realpolitische Option der nächsten Dekade. Die anthropologische Wette des BGE – dass Menschen mit Freiheit verantwortlich umgehen, auch ohne unmittelbaren Lohnzwang – ist empirisch besser belegt als ihr Gegenteil.
-----
## Literatur (Auswahl)
Acemoglu, D. (2024). The simple macroeconomics of AI. *NBER Working Paper No. 32487*.
Acemoglu, D. & Restrepo, P. (2020). Robots and Jobs: Evidence from US Labor Markets. *Journal of Political Economy, 128*(6), 2188–2244.
Arntz, M., Gregory, T. & Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries. *OECD Social, Employment and Migration Working Papers, No. 189*.
Autor, D. (2015). Why Are There Still So Many Jobs? *Journal of Economic Perspectives, 29*(3), 3–30.
Banerjee, A. et al. (2019). Universal Basic Income in the Developing World. *Annual Review of Economics, 11*, 959–983.
Bohmann, S. et al. (2024). Pilotprojekt Grundeinkommen. *DIW Berlin / Mein Grundeinkommen e.V.*
Bonin, H., Gregory, T. & Zierahn, U. (2015). Übertragung der Studie von Frey/Osborne auf Deutschland. *ZEW Kurzexpertise Nr. 57*.
Bregman, R. (2017). *Utopia for Realists*. Bloomsbury.
Brynjolfsson, E. (2022). The Turing Trap: The Promise and Peril of Human-Like Artificial Intelligence. *Daedalus, 151*(2), 272–287.
Case, A. & Deaton, A. (2020). *Deaths of Despair and the Future of Capitalism*. Princeton University Press.
Cazzaniga, M. et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. *IMF Staff Discussion Note*.
Eloundou, T., Manning, S., Mishkin, P. & Rock, D. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. *arXiv:2303.10130*.
Forget, E. (2011). The Town with No Poverty. *Canadian Public Policy, 37*(3), 283–305.
Frey, C. B. & Osborne, M. A. (2017). The Future of Employment. *Technological Forecasting and Social Change, 114*, 254–280.
Friedman, M. (1962). *Capitalism and Freedom*. University of Chicago Press.
Gates, B. (2017). Interview zur Robotersteuer. *Quartz, 17.02.2017*.
Harari, Y. N. (2017). *Homo Deus*. Beck.
Honneth, A. (1992). *Kampf um Anerkennung*. Suhrkamp.
Jahoda, M. (1982). *Employment and Unemployment: A Social-Psychological Analysis*. Cambridge University Press.
Kangas, O. et al. (2020). Suomen perustulokokeilun arviointi. *Sosiaali- ja terveysministeriön raportteja 2020:15*.
Karabarbounis, L. & Neiman, B. (2014). The Global Decline of the Labor Share. *Quarterly Journal of Economics, 129*(1), 61–103.
Keynes, J. M. (1930). Economic Possibilities for our Grandchildren. In: *Essays in Persuasion*.
Mason, P. (2015). *Postcapitalism: A Guide to Our Future*. Allen Lane.
Mokyr, J. (2018). *A Culture of Growth*. Princeton University Press.
Moretti, E. (2012). *The New Geography of Jobs*. Houghton Mifflin.
Sennett, R. (1998). *The Corrosion of Character*. Norton.
Standing, G. (2011). *The Precariat: The New Dangerous Class*. Bloomsbury.
Straubhaar, T. (2017). *Radikal gerecht. Wie das bedingungslose Grundeinkommen den Sozialstaat revolutioniert*. Edition Körber.
Van Parijs, P. & Vanderborght, Y. (2017). *Basic Income: A Radical Proposal for a Free Society and a Sane Economy*. Harvard University Press.
Werner, G. W. (2007). *Einkommen für alle*. Kiepenheuer & Witsch.