Meta und Klarna bremsen bei KI-Personalplänen: Warum Automatisierung Menschen braucht

Meta und Klarna zeigen, warum es deutlich schwieriger ist, ganze Unternehmensfunktionen durch KI zu ersetzen, als einzelne Arbeitsschritte zu automatisieren. Meta stoppte die Planung einer zweiten Restrukturierungswelle unter dem Namen Project OT, nachdem bereits Stellen abgebaut worden waren. Klarna stellte wieder menschliche Servicekräfte ein, nachdem ein stark KI-geprägtes Supportmodell zu schlechteren Ergebnissen geführt hatte. 218

Die gemeinsame Lehre ist pragmatisch: KI kann klar strukturierte, wiederkehrende Aufgaben in großem Umfang übernehmen. Unternehmen brauchen aber weiterhin Menschen, die mit Unklarheiten umgehen, Ergebnisse prüfen, Sonderfälle lösen und die Kundenerfahrung verantworten.

Meta: Die Vision kleiner KI-gestützter Teams trifft auf die Praxis

Laut Reuters war Metas Project OT – kurz für „Organization Transformation“ – als Restrukturierung in zwei Wellen angelegt. Nach der ersten Runde im Mai 2026, bei der Meta rund 10 % seiner Belegschaft abbaute, stellte das Unternehmen die Planung für die später vorgesehene November-Welle ein. Meta bestätigte die Existenz von Project OT und beschrieb es als ein auf ein Jahr angelegtes Programm zur Kostensenkung, Neugestaltung von Teams und Verlagerung von Beschäftigten in prioritäre Bereiche. 2

Bemerkenswert ist, dass es nicht nur um klassisches Sparen ging. Vorgesehen waren deutlich kleinere Teams, unterstützt durch KI-Agenten. Das verweist auf einen entscheidenden Unterschied: Mehr Entwürfe, Code oder erledigte Einzelschritte bedeuten nicht automatisch eine verlässliche Produktentwicklung. In komplexen Abläufen müssen Menschen weiterhin Ziele definieren, Arbeit über verschiedene Systeme hinweg koordinieren, Ergebnisse testen, Fehler erkennen und Verantwortung übernehmen, wenn etwas schiefläuft.

Meta hat seine Investitionen in KI und KI-gestützte Arbeit nicht aufgegeben. Geschwunden ist vielmehr das Vertrauen, dass die Fähigkeiten der Agenten eine zweite breite Personalrunde nach dem ursprünglichen Zeitplan rechtfertigen würden. 2

Klarna: Viel Automatisierung bedeutet nicht automatisch guten Service

Bei Klarna zeigt sich dieselbe Grenze im Kundenservice. Der KI-Assistent bearbeitete einen erheblichen Teil standardisierter Anfragen, etwa zu Zahlungen, Rückerstattungen und Retouren. Später rückte das schwedische Fintech jedoch von einer KI-only-Haltung ab und begann wieder, menschliche Supportkräfte einzustellen. 1720

Berichten zufolge räumte CEO Sebastian Siemiatkowski ein, Klarna habe die menschlichen Kapazitäten zu stark reduziert. Nicht die KI an sich war das Problem. Schwierigkeiten entstanden bei komplexen, mehrdeutigen oder emotional sensiblen Anliegen – Fällen, in denen erfahrene Beschäftigte recherchieren, abwägen und empathisch reagieren können. Klarna baute daher neben der Automatisierung wieder menschliche Supportkapazitäten auf. 1819

Gerade im Kundendienst ist diese Unterscheidung wichtig. Ein System kann häufige Standardanfragen schnell lösen und dennoch Vertrauen beschädigen, wenn Kundinnen und Kunden bei strittigen Zahlungen, ungewöhnlichen Umständen oder eskalierenden Problemen nicht rasch eine kompetente Person erreichen. Automatisierung funktioniert nur dann nachhaltig, wenn klare Eskalationswege und menschliche Verantwortung Teil des Prozesses sind.

Das robustere Modell: KI als Verstärkung, nicht als Ersatz für jede Rolle

Aus beiden Fällen lässt sich ein belastbareres Betriebsmodell ableiten:

• Vorhersehbare Aufgaben automatisieren. KI ist besonders nützlich, wenn Eingaben standardisiert sind, Ergebnisse leicht geprüft werden können und Fehler kostengünstig zu korrigieren sind.
• Menschen an Entscheidungspunkten halten. Wo Kontext aus mehreren Systemen, Abwägungen, Urteilsvermögen, Verantwortung oder Beziehungsmanagement nötig sind, bleiben Menschen zentral.
• Eskalationen fest einplanen. Kundenservice und andere folgenschwere Prozesse brauchen eine klare Übergabe an qualifizierte Mitarbeitende – statt einer automatisierten Sackgasse.
• Ergebnisse statt Aktivität messen. Mehr generierter Code, schnellere Erstreaktionen oder ein höheres Aufgabenvolumen sind keine ausreichenden Kennzahlen, wenn Qualität, Lösungsquote, Sicherheit oder Kundenvertrauen leiden.

Das heißt nicht, dass Arbeitsplätze unverändert bleiben. Veränderungen dürften sich eher über neu zugeschnittene Teams, veränderte Qualifikationsanforderungen und weniger Rollen für Routinetätigkeiten zeigen – nicht über ein unmittelbares Ende menschlicher Arbeit insgesamt.

Einstellungsdaten deuten auf eine Verschiebung zu technischen Kompetenzen hin

Der breitere Tech-Arbeitsmarkt passt zu dieser Entwicklung. SignalFire zufolge lag die Einstellungstätigkeit großer Technologieunternehmen 25 % unter dem Niveau von 2019; bei Software Engineers betrug der Rückgang dagegen 11 %. Damit machten Software Engineers 55 % aller Neueinstellungen dieser Unternehmen aus, gegenüber 46 % im Jahr 2019. 49

Das beweist nicht, dass KI jede einzelne Verschiebung verursacht hat: Konjunkturzyklen und die Anpassungen nach dem pandemiebedingten Einstellungsboom prägen den Tech-Arbeitsmarkt ebenfalls. Die Daten zeigen aber, dass schlankere Organisationen weiterhin technische Fachkräfte benötigen – insbesondere Menschen, die automatisierte Systeme entwickeln, einsetzen, bewerten, absichern und beaufsichtigen können.

Das größte kurzfristige Risiko liegt beim Einstieg in den Beruf

Forschende des Stanford Digital Economy Lab fanden in administrativen US-Lohn- und Gehaltsdaten bis Juni 2026 keine Hinweise auf eine breit angelegte Verdrängung von Beschäftigung in der gesamten Wirtschaft. Bei 22- bis 25-Jährigen in stark KI-exponierten Berufen lag die Beschäftigung jedoch 19 % unter dem Niveau, das sie erreicht hätte, wenn sie mit weniger exponierten Vergleichsgruppen Schritt gehalten hätte. Bei erfahrenen Beschäftigten zeigte sich keine vergleichbare Lücke; die Anpassung lief vor allem über weniger Neueinstellungen und nicht über mehr Entlassungen. 35

Diese 19 % sind eine relative „Mitgehalten“-Lücke, keine Zahl von Arbeitsplätzen, die KI unmittelbar beseitigt hätte. Dennoch verweist sie auf ein ernstes Problem: Wenn KI Teile typischer Einstiegsaufgaben übernimmt, bieten Unternehmen möglicherweise weniger Gelegenheiten, in denen Berufseinsteigerinnen und Berufseinsteiger Erfahrungen für spätere, anspruchsvollere Rollen sammeln können.

Was Unternehmen aus Meta und Klarna lernen können

Die entscheidende Frage lautet nicht mehr, ob KI eingesetzt werden soll. Entscheidend ist, an welcher Stelle sie einen Prozess verbessert, ohne die menschlichen Fähigkeiten zu entfernen, die ihn verlässlich machen.

Die gestoppte zweite Meta-Welle und Klarnas erneute Einstellung von Supportpersonal legen nahe, Automatisierung an Ergebnissen zu messen: erfolgreicher Produktlieferung, korrekten Entscheidungen, tatsächlich gelösten Fällen, Kundenvertrauen und überschaubaren Kosten für Fehlerbehebung. Wo KI gut funktioniert, kann sie die Kapazität kleinerer Teams erhöhen. Wo Unsicherheit oder Folgen eines Fehlers groß sind, ist meist ein Modell aus Mensch und KI sinnvoll – nicht ein menschenfreies.

KI verändert damit Zusammensetzung und Hebelwirkung von Teams. Besonders profitieren dürften Unternehmen, die Automatisierung als Werkzeug für bessere menschliche Arbeit verstehen – und nicht als Abkürzung um jene menschliche Arbeit herum, die komplexe Produkte und belastbare Kundenbeziehungen weiterhin erfordern.