Marken kaufen sich das Wissen, das sie früher eingestellt haben

Bei einem Führungskräfte-Dinner von Glossy und Modern Retail, über das diesen Monat berichtet wurde, schilderte eine Führungskraft, wie offene Stellen aus dem firmeneigenen Bewerberportal genommen wurden, sobald sich zeigte, dass die Software die Arbeit erledigen konnte. Der erste organisatorische Effekt von Retail-KI ist nicht der Stellenabbau, sondern eine Vakanz, die nie entsteht – und institutionelles Wissen, das nun in einem System liegt, das niemand gelernt hat zu hinterfragen.

Der erste organisatorische Effekt von Retail-KI ist eine Vakanz, die nie entsteht – keine Entlassungswelle. Bei einem Führungskräfte-Dinner von Glossy und Modern Retail, über das diesen Monat berichtet wurde, schilderte eine Führungskraft, wie Stellen ins firmeneigene Bewerberportal eingestellt und wieder herausgenommen wurden, sobald das Team merkte, dass die Software den Job ebenso gut konnte. Die Stelle verschwand, bevor je jemand dafür eingestellt wurde.

An die Stelle der Einstellung trat eine Plattform. Eine Marke am Tisch hatte ein internes Intelligence-System gebaut, das Fulfilment-Daten, Paid Media, Kundenbewertungen und Reddit-Threads zusammenführte und nach Korrelationen suchte, auf die man reagieren konnte. Eine andere Führungskraft stellte in rund drei Wochen eine einheitliche Sicht über E-Commerce und stationären Handel zusammen – ohne die sechsstellige Technologieinvestition, die derselbe Job früher verlangt hätte. Für die zweijährige Lehrzeit, die ein Analyst früher durchlaufen hätte, um zu verstehen, woher diese Zahlen eigentlich kommen, gibt es in diesem System kein Äquivalent.

Alle am Tisch lasen den Wandel als Produktivitätsgeschichte, und die eigene Schlussfolgerung der Runde war optimistisch: Produkte, Expertise und Community würden wichtiger werden, nicht unwichtiger, sobald die einfache Arbeit automatisiert sei. Wie eine Führungskraft bei derselben Veranstaltung sagte: Welchen Vorsprung eine Marke sich mit KI auch erarbeite, die Konkurrenz werde ihn ebenso erarbeiten – der Vorteil werde sich also bei dem einpendeln, was Software nicht kopieren kann. Das ist eine bequeme Schlussfolgerung. Sie verrät allerdings nicht, woher diese unkopierbare Expertise eigentlich kommen soll.

Der junior Merchandiser war nie wegen der Arbeit selbst wertvoll. Verkaufszahlen abzurufen und einer verspäteten Lieferung hinterherzutelefonieren war der Weg, auf dem das Wissen entstand. Was sich ansammelte, war ein Gespür dafür, welche Auffälligkeiten wichtig sind und welche nur ein Filialleiter ist, der Retouren falsch gescannt hat. Dieses Gespür war der eigentliche Wert – bezahlt wurde es trotzdem immer wie eine Bürotätigkeit.

Das Muster zeigt sich auch außerhalb der Modebranche, und zwar in Lohnabrechnungen statt in Anekdoten. Das Digital Economy Lab der Stanford University wertete den größten Lohndatensatz der USA aus und fand einen relativen Rückgang der Beschäftigung um 16 Prozent bei 22- bis 25-Jährigen in den am stärksten KI-exponierten Berufen. Die Beschäftigung erfahrenerer Beschäftigter in denselben Berufen blieb stabil oder wuchs sogar. Die Rückgänge konzentrieren sich dort, wo KI automatisiert statt unterstützt, und die Anpassung läuft über den Personalbestand, nicht über die Bezahlung. Ein Unternehmen, das nie einstellt, hat auch nichts offenzulegen.

Eine Marke, die aufhört, Juniors einzustellen, hat kein Gehalt gespart – sie hat aufgehört, Seniors heranzuziehen.

Die Ökonomie dahinter wurde bereits modelliert, und das Ergebnis ist schlimmer als das Offensichtliche. In einer Arbeit zur generationsübergreifenden Weitergabe von Wissen modelliert Enrique Ide, wie Novizen implizites Können durch die Zusammenarbeit mit Experten erwerben. Bessere Automatisierung auf Einstiegsebene steigert den Output bei der Einführung, senkt aber das langfristige Wachstum, wie die Arbeit zeigt – selbst dort, wo die Einstiegsbeschäftigung gar nicht sinkt. Der Schaden entsteht dadurch, dass Novizen von den produktivsten Experten weggelenkt werden. Im Einkaufsbüro ist das der Assistent, der noch einen Job hat, aber neben einem Dashboard sitzt statt neben dem Einkäufer, der vier schlechte Saisons überstanden hat.

Damit bleibt das Wissen in der Software hängen. Diese Plattformen wurden schnell gebaut – eine davon in drei Wochen, von einer Führungskraft, die ohnehin schon einen Job hatte. Sie entscheiden nun, welche Korrelationen zählen. Jedes Unternehmen führt zwei Bücher: eines für Gehälter, eines für das Wissen seiner Leute – geprüft wird nur das erste. Die Mitarbeitenden, die qualifiziert genug gewesen wären, einer Plattform zu widersprechen, sind genau der Posten, der sie günstig aussehen ließ.

Nichts davon wird sich in den nächsten Jahren wie ein Fehler anfühlen. Die Plattform wird in den meisten Fällen recht haben, weil sich die meisten Dinge wiederholen. Ihr erstes echtes Versagen wird in einer Saison eintreten, die niemand im Haus je erlebt hat – und die Widerlegung wird von Leuten kommen müssen, die alles, was sie wissen, von ihr gelernt haben.