Wie viel KI verdienen kann, hängt davon ab, wie viel sie vom menschlichen Lohnpool abziehen kann.

Wie viel können Unternehmen mit großen KI-Modellen tatsächlich verdienen? Der neueste Bericht von Guojin Securities liefert eine revolutionäre Antwort: Hören Sie auf, nur auf den Softwaremarkt zu schauen, es geht um die Gehaltsabrechnung der Menschheit.

Unternehmen kaufen KI nicht, um einem Trend zu folgen, sondern um Geld zu sparen. Der wahre Grund, warum Unternehmen bereit sind, Geld auszugeben, ist die Möglichkeit, einen Teil der Arbeitskräfte durch KI zu ersetzen, die Effizienz zu steigern und Kosten zu senken. Das eigentliche Einnahmenlimit für KI-Unternehmen ist daher nicht die Größe des Softwaremarkts, sondern das Volumen des Gehalts-Pools, das von KI neu bepreist werden kann – Guojin Securities bezeichnet dies als „KI-neubewertbaren Gehaltspool“.

Der neueste Forschungsbericht von Guojin Securities hat den Rechenstift angesetzt: Von den jährlichen US-Lohnkosten in Höhe von ca. 10,83 Billionen US-Dollar sind bereits 1,45 Billionen US-Dollar durch den Einflussbereich der KI bedroht – mit anderen Worten, die Aufgaben dieser Stellen können entweder komplett oder zu einem Großteil von KI übernommen werden.

Wie viel verdienen KI-Unternehmen an diesem Betrag? Am Beispiel des Branchenführers Anthropic: Das annualisierte Einkommen beträgt rund 47 Milliarden US-Dollar, was nur 3,2 % der 1,45 Billionen ausmacht. Anders gesagt: Der abgetragene Anteil ist kaum der Rede wert.

Der Gehaltspool, nicht der Softwaremarkt, ist der Bewertungsanker für das ARR

Der Bericht von Guojin Securities stellt klar, dass der direkteste Weg, das „epische Wachstumslimit“ der aktuellen KI-Einnahmen zu verstehen, darin besteht, die Größe des „von KI neu zu bepreisenden Gehaltspools“ zu berechnen.

Der Bericht schätzt die Exponiertheit verschiedener Berufe gegenüber KI und gleicht diese mit den 830 Berufsgruppen der US-amerikanischen Statistikbehörde für Arbeit (BLS) und deren Umfrage zur beruflichen Beschäftigung und Löhnen 2025 (OEWS 2025) ab. Das Ergebnis: Von den rund 10,83 Billionen US-Dollar an Gesamteinkommen in den USA sind, ausgehend von der tatsächlich beobachteten Exponiertheitsdefinition von Anthropic, rund 1,45 Billionen US-Dollar Lohnkosten bereits im Einflussbereich der KI, was 13,4 % entspricht; Wenn man die theoretische Exponiertheit nach OpenAI/Eloundou zugrunde legt, beträgt die potenzielle Einflussgröße sogar etwa 5,68 Billionen US-Dollar, das entspricht mehr als 52 %.

Nach Anzahl der Beschäftigten gerechnet sind von den etwa 156 Millionen Erwerbstätigen in den USA etwa 18,35 Millionen tatsächlich exponiert, was 11,8 % entspricht. Die theoretisch exponierte Zahl liegt sogar bei ca. 68,3 Millionen, entsprechend 43,9 %.

Der Bericht betont, dass die 1,45 Billionen US-Dollar an Lohnkosten als das „ideale Einnahmelimit für ARR unter aktueller Durchdringung und technologischen Fähigkeiten“ verstanden werden sollten, wobei dieses Limit sogar noch mit einem Abschlag zu versehen ist – denn Unternehmen müssten möglicherweise nur 10.000 US-Dollar für KI-Ausgaben aufwenden, um Arbeitskosten in Höhe von 100.000 US-Dollar zu ersetzen. Selbst unter diesen Bedingungen ist die aktuelle ARR-Durchdringung der großen Modellanbieter im Vergleich zur Größe dieses Gehaltspools immer noch extrem niedrig.

KI-Auswirkungen mit „hoher Einkommens-Tendenz“ – vor allem wissensbasierte Berufe betroffen

Im Gegensatz zur früheren Automatisierung, die sich hauptsächlich auf Industrie und repetitive körperliche Arbeit auswirkte, betrifft die aktuelle Welle der KI direkt gut bezahlte, wissensintensive und Dienstleistungsberufe.

Die Daten des Berichts zeigen, dass die theoretische Exponiertheit eines Berufs gegenüber KI im Vergleich zur Verteilung der durchschnittlichen Jahreseinkommen eine deutliche Rechtsverschiebung aufweist – die Exponiertheit für KI ist bei einkommensstarken Bevölkerungsgruppen signifikant höher als bei solchen mit mittleren oder niedrigen Einkommen. Anhand konkreter Berufe: Gruppen mit dem niedrigsten Einkommensperzentil (z.B. Wäschereimitarbeiter, Bäcker, Reifenfabrikarbeiter) haben meist eine geringe KI-Exponiertheit; in der oberen Einkommensschicht stehen Finanzproduktmanager (Einkommensperzentil 96,6 %, Exponiertheit 78,6 %), HR-Manager (95,3 %, 76 %) sowie Luft- und Raumfahrtingenieure (92,5 %, 89,3 %) vor einem besonders hohen Substitutionsrisiko.

Auf Branchenebene weist die theoretische Exponiertheit am stärksten ausgeprägt auf: Computer und Mathematik (87,6 %), Handel und Finanzen (78,2 %) sowie Recht (78,0 %). Tatsächlich ist die beobachtete Exponiertheit aber unterschiedlich: Hier liegen Computer und Mathematik (35,3 %), Büro- und Administrationssupport (33,2 %) und verkaufsnahe Tätigkeiten (24,6 %) an der Spitze.

Dieser Unterschied zeigt, dass die Substituierung von Arbeitskraft durch KI nicht nur eine Frage der Modelfähigkeit ist, sondern auch durch Arbeitsaufgaben, Zuständigkeiten und die Unternehmensorganisation beeinflusst wird. In der Rechtsbranche geht es um Interessensausgleich, Strategieentscheidungen und lebenslange Verantwortung; der Finanzsektor braucht Kundenbeziehungen sowie individuelle Einschätzungen; im Vergleich dazu verlaufen die Fortschritte bei Programmierberufen durch klar abgegrenzte Aufgaben und kurze Feedbackschleifen schneller.

IT-Branche ist „gleichmäßig betroffen“, Finanzsektor stark differenziert

Unter den zwanzig Berufen mit der höchsten realen Exponiertheit fallen acht in die Kategorie Computer und Mathematik, was etwa 1,59 Millionen Beschäftigten oder 30,2 % dieser Branche entspricht. Der Bericht stellt fest, dass in der IT-Branche keine zwingende Korrelation zwischen Einkommen und Exponiertheit durch KI besteht – die gesamte Branche wird vom KI-Einfluss nahezu „gleich behandelt“, wodurch deren generelle Anfälligkeit gegenüber Technologieiteration deutlich sichtbar wird.

Der Finanzsektor hingegen zeigt ein ganz anderes, stark differenziertes Bild: Da einige Stellen Verantwortung (wie Audit oder Buchhaltung) übernehmen müssen und der Grad der Standardisierung der Arbeitsergebnisse variiert, ist die Gesamt-Exponiertheit im Finanzsektor gering, aber die interne Differenzierung hoch. So liegt die Exponiertheit für Market Research Analysts bei 64,8 %, für Financial and Investment Analysts bei 57,2 %, womit diese Berufe einem hohen Substitutionsrisiko ausgesetzt sind; andere, die auf Kundenbeziehungspflege und individuelle Entscheidungen angewiesen sind, zeigen dagegen eine geringere Exponiertheit.

Bezogen auf das Gesamteinkommen sind die 1,45 Billionen US-Dollar an tatsächlich exponierten Gehältern im Wesentlichen auf fünf Branchen konzentriert: Büro- und Administrationssupport (289,6 Mrd. US-Dollar), Handel und Finanz (247,4 Mrd. US-Dollar), Managementpositionen (221,7 Mrd. US-Dollar), Computer und Mathematik (215,2 Mrd. US-Dollar) sowie verkaufsnahe Tätigkeiten (199,5 Mrd. US-Dollar). Der Bericht schlussfolgert, dass dies für die Entwicklung von spezifischen Unternehmenslösungen mit großen KI-Modellen die Richtung vorgibt: Wer auf Planungssicherheit setzt, sollte sich auf Verwaltung, IT und Finanzwesen konzentrieren, wo schon klare Substitutionen erfolgen; wer den Porzens von „Null auf Eins“ anstrebt, findet in Bildung oder medizinischer Diagnose weiterhin viel Potenzial.

Substitution bedeutet nicht zwangsläufig Arbeitslosigkeit, aber die Einkommensstruktur wird neu geordnet

Der Bericht differenziert klar zwischen „Exponiertheit“ und „Substitution“: Exponiertheit bedeutet, dass Aufgaben von KI unterstützt, automatisiert oder neu organisiert werden könnten, aber nicht zwangsläufig, dass diese Löhne im Verhältnis verschwinden. Was die volkswirtschaftlichen Folgen von KI tatsächlich ausmacht, sind letztlich Umsetzungsgeschwindigkeit, Fähigkeitsgrenzen der Modelle, organisatorische Umgestaltung und regulatorische Vorgaben.

Der Bericht macht jedoch auch klar, dass sich die makroökonomischen Auswirkungen von KI kaum einfach als linearer Rückgang der Beschäftigungszahlen zeigen werden. Wahrscheinlicher ist, dass bestimmte Berufe mit klar abgegrenzten Aufgaben ersetzt und viele Multitasking-Stellen umstrukturiert werden; ein Teil der Lohnkosten schrumpft, noch mehr Prozesse der Arbeit werden neu bepreist. Besonders KI-Agenten, die das Prinzip „je höher der Lohn, desto stärker die Substitutionsrate“ aufweisen, könnten somit tiefgreifende Auswirkungen auf die Konsumseite des Einkommens haben.

Für Investoren liegt die Kernbotschaft des Berichts darin: Das mittelfristige Potenzial der KI-Einnahmenseite sollte nicht nur anhand der Softwaremarktgröße betrachtet werden, sondern anhand des sehr viel größeren Gehaltspools der Gesamtarbeitnehmer. Heute ist die ARR-Durchdringung der großen Modellanbieter noch immer sehr gering, aber die Kehrseite dieser Medaille ist, dass sich die Einkommensstruktur der Menschheit derzeit einer fundamentalen, noch unzureichend bewerteten systemischen Neufassung gegenübersieht.