Die Beruhiger in der KI-Debatte haben ein Lieblingsbeispiel: Radiologen. KI diagnostiziert schneller, präziser, günstiger — und trotzdem gibt es heute mehr Radiologen als vor zehn Jahren. Ergo: kein Grund zur Sorge. Anwälte, Buchhalter und Unternehmensberater sollen mit KI ihre Dienstleistungen verbilligen und damit neue Nachfrage erschließen — der Long Tail der Wissensarbeit warte nur auf seine Aktivierung^[1]KI als Jobkiller? Von wegen Jobapokalypse!. Das ist ein induktiver Fehlschluss par excellence, gepaart mit Says Gesetz in neuem Gewand. Wer von einem institutionell hochgradig geschützten Sonderfall auf die gesamte Wissensarbeit schließt und angebotsseitige Effizienzgewinne mit nachfrageseitiger Aktivierung gleichsetzt, verwechselt technologische Möglichkeit mit struktureller Realität.

Vor zehn Jahren sagte Geoffrey Hinton, man könne aufhören, Radiologen auszubilden. Heute hat ihre Zahl in den USA um zwanzig Prozent zugenommen. Dieses Faktum wird in der populären KI-Debatte gerne als Beruhigungsargument mobilisiert: Technologie ersetzt keine Berufe, sie verändert sie nur. Das Jevons-Paradox liefert die theoretische Untermauerung — sinkende Kosten erhöhen die Nachfrage, weshalb Effizienzgewinne durch KI insgesamt mehr Beschäftigung erzeugen könnten als sie vernichten.

Das Argument ist nicht falsch. Es ist nur unvollständig — und in seiner populären Verwendung strukturell irreführend.

Das Radiologen-Beispiel als Sonderfall

Warum haben Radiologen nicht an Bedeutung verloren, obwohl KI-Systeme bildgebende Diagnostik nachweislich schneller und zu einem Bruchteil der Kosten durchführen können? Die Antwort liegt nicht in einer allgemeinen Gesetzmäßigkeit des Arbeitsmarktes, sondern in den spezifischen institutionellen Bedingungen dieses Berufsfeldes.

Radiologen operieren innerhalb einer mehrfach abgesicherten institutionellen Architektur: staatlich regulierter Berufszugang, lange und aufwendige Ausbildungswege, die als natürlicher Mengendämpfer wirken, und — entscheidend — eine Haftungsarchitektur, die den menschlichen Befund als obligatorisches Element im diagnostischen Prozess verankert. Wer unterschreibt den Befund? Diese Frage ist nicht technisch, sondern rechtlich und institutionell. KI kann assistieren, aber sie kann nicht haften. Damit ist ihre Substitutionsrolle systemisch begrenzt, nicht technologisch.

Hinzu kommt der Nachfrageeffekt: Günstigere Bildgebung ermöglicht mehr Untersuchungen — und mehr Untersuchungen erfordern mehr Befundung. Das Jevons-Paradox greift hier tatsächlich, weil die Nachfrage nach radiologischen Leistungen elastisch genug ist, um den Effizienzgewinn zu absorbieren.

Warum der Schluss von n=1 auf die Wissensarbeit insgesamt scheitert

Das eigentliche Problem beginnt, wenn aus diesem Sonderfall eine allgemeine Beruhigungsformel destilliert wird. „Also müssen sich Buchhalter, Anwälte und Unternehmensberater keine Sorgen machen“ — diese Schlussfolgerung ist methodisch nicht haltbar.

Aus wissenschaftstheoretischer Perspektive handelt es sich um einen klassischen induktiven Fehlschluss: Von einem einzigen, institutionell hochgradig spezifischen Fall wird auf eine heterogene Grundgesamtheit geschlossen, ohne die strukturellen Bedingungen zu prüfen, unter denen das Ausgangsergebnis zustande kam. Popper hätte hier sofort gefragt: Welcher Fall würde die These falsifizieren? Diese Frage wird in der populären Debatte gar nicht erst gestellt.

Die institutionellen Bedingungen, die den Radiologen-Fall prägen, fehlen in weiten Teilen der Wissensarbeit. Ein Junior-Analyst in einer Unternehmensberatung unterliegt keiner staatlich regulierten Zugangsbeschränkung. Ein Buchhalter, der Standardabschlüsse erstellt, ist nicht durch eine Haftungsarchitektur geschützt, die menschliche Urteilsbildung als obligatorisches Element verankert. Ein Copywriter konkurriert in einem Markt, dessen Nachfrageelastizität sich durch KI-induzierte Überproduktion eher verringert als erhöht.

Das Jevons-Paradox greift nicht universell

Besonders problematisch ist, dass das Jevons-Paradox als allgemeines Beruhigungsinstrument eingesetzt wird — obwohl es selbst unter einer wesentlichen Bedingung steht: Es greift dort, wo sinkende Kosten die Gesamtnachfrage nach einer Leistung elastisch erhöhen.

Diese Bedingung ist nicht in allen Bereichen erfüllt. Für Tätigkeiten mit enger oder gesättigter Nachfrage — Standardbuchhaltung, Basistextproduktion, Routinedatenanalyse — ist keine nennenswerte Nachfrageausweitung zu erwarten, wenn KI die Kosten senkt. Der Markt für Jahresabschlüsse wächst nicht deshalb, weil sie günstiger produziert werden. Hier ist Substitution strukturell wahrscheinlicher als Nachfrageexpansion.

Das Paradoxe liegt darin: Wer das Jevons-Paradox korrekt anwenden will, muss zunächst prüfen, ob die Nachfrage nach einer bestimmten Leistung überhaupt elastisch genug ist, um einen Nachfrageexpansionseffekt zu erzeugen. Wer diese Prüfung überspringt und das Paradox pauschal auf alle von KI betroffenen Tätigkeiten anwendet, benutzt ein analytisches Instrument korrekt und zieht daraus dennoch unzulässige Schlüsse.

Says Gesetz in neuem Gewand: Der Long-Tail-Irrtum

Der Fehlschluss hat eine ideengeschichtliche Wurzel, die ihn als Wiedergänger kenntlich macht. In der populären KI-Debatte taucht er in einer Formulierung auf, die geradezu programmatisch ist: Anwälte, Buchhalter und Unternehmensberater könnten mit KI ihre Dienstleistungen günstiger machen und damit neue Nachfrage stimulieren. Günstigere Rechtsberatung erschließe neue Mandantensegmente. Billigere Buchhaltung schaffe neuen Buchhaltungsbedarf. Strategieberater könnten nun endlich auch die Pommes-Bude um die Ecke bedienen.

Das klingt plausibel. Es ist strukturell falsch.

Der Irrtum ist nicht neu — er tritt nur im KI-Kontext in neuer Verkleidung auf. In der Digitalisierungsdebatte der 2000er und 2010er Jahre war es der Long Tail, der als Universalversprechen herhalten musste: Digitale Plattformen senken Transaktionskosten, deshalb werden bisher nicht adressierbare Nachfragesegmente erschlossen — der Long Tail wartet nur darauf, aktiviert zu werden. Für bestimmte Güterklassen stimmte das empirisch: Musikstreaming, Buchhandel, Nischenprodukte. Aber auch dort funktionierte der Mechanismus nur, weil latente Nachfrage tatsächlich vorhanden war und lediglich an Distributions- oder Transaktionskosten scheiterte.

Genau diese Voraussetzung fehlt bei Rechtsberatung, Strategieberatung und Standardbuchhaltung. Rechtsberatung wird nicht deshalb nicht in Anspruch genommen, weil sie zu teuer ist. Sie wird nicht in Anspruch genommen, weil kein als solches identifiziertes Rechtsproblem vorliegt — oder weil die institutionellen und kognitiven Voraussetzungen fehlen, das eigene Problem überhaupt als rechtlich lösungsbedürftig zu erkennen. Günstigere Anwälte lösen dieses Problem nicht. Und dort, wo Zahlungsbereitschaft und Bedarf tatsächlich zusammentreffen, übernimmt KI zunehmend direkt — ohne Anwalt.

Der latente Beratungsbedarf der Pommes-Bude ist kein unterdrückter Long Tail. Er ist kein formuliertes Nachfragesegment — und wird es durch Preissenkung allein nicht werden. Strategieberatung auf McKinsey-Niveau adressiert eine Nachfrage, die von Unternehmensgröße, Komplexität und institutioneller Verfasstheit abhängt. Der Versuch, dieses Modell durch Verbilligung zu demokratisieren, ist seit Jahrzehnten unternommen worden und strukturell gescheitert — weil das Geschäftsmodell auf Premiumpositionierung beruht, nicht auf Volumenwachstum, und weil der Bedarf auf der Nachfrageseite nicht durch Preissignale aktivierbar ist.

Die tiefere Struktur dieses Irrtums hat einen Namen: Says Gesetz. Das Angebot schafft sich seine Nachfrage. Diese Formel gilt in der Makroökonomie als widerlegt — und sie gilt auch hier nicht. Angebotsseitige Effizienzgewinne durch KI erzeugen keine automatische Nachfrageexpansion in Märkten, in denen die Nachfrage nicht preiselastisch, sondern institutionell, kognitiv oder regulatorisch determiniert ist. Wer diesen Unterschied nicht macht, betreibt Wunschökonomie — und verwechselt technologische Möglichkeit mit struktureller Realität.

Die verdrängte Frage

Die eigentlich relevante Frage wird in dieser Debatte konsequent unterbelichtet: Was macht KI mit den kognitiven Fähigkeiten und der Urteilskraft derjenigen, die sie täglich benutzen?

Hier liegt die tiefere strukturelle Problematik. KI kann Bildungsdefizite kaschieren und formal schwächer qualifizierte Personen produktiver erscheinen lassen. Doch dieser Effekt hat eine Kehrseite: Wer die Urteilsbildung systematisch an externe Systeme delegiert, atrophiert die Fähigkeit, deren Outputs zu beurteilen. Das ist strukturell verwandt mit dem, was Dörner in der „Logik des Misslingens“ beschreibt — Komplexitätsreduktion durch externe Systeme untergräbt die interne Urteilskompetenz, die für das Erkennen von Systemfehlern notwendig wäre.

Der eigentliche Risikopfad ist damit nicht: KI vernichtet Arbeitsplätze. Der eigentliche Risikopfad ist: KI entkoppelt Produktivitätsoutput von kognitiver Kompetenz — mit Folgen für Qualitätskontrolle, Urteilsbildung und institutionelles Lernvermögen, die sich erst mittelfristig zeigen werden.

Fazit

Das Radiologen-Beispiel ist empirisch korrekt und analytisch lehrreich — als Fallstudie über einen institutionell geschützten Beruf unter spezifischen Bedingungen. Als induktive Grundlage für eine allgemeine Beruhigungsformel taugt es nicht.

Die strukturell angemessene Frage lautet nicht: „Wie viele Jobs vernichtet KI?“ Sie lautet: „Unter welchen institutionellen Bedingungen greift das Jevons-Paradox — und wo greift es nicht?“ Und dahinter steht die noch unbequemere Frage, welche kognitiven Fähigkeiten eine Gesellschaft verliert, wenn sie die Urteilsbildung systematisch auslagert.

Diese Fragen stellen sich nicht von selbst. Sie müssen gestellt werden.

Ralf Keuper