Studie von Der Entrepreneurs Club & appliedAI: KI-Potenzial bei deutschen Familienunternehmen

Der deutsche Arbeitsmarkt zeigt ein Paradox: Während in Teilen der Industrie Stellen abgebaut werden, gelingt es vielen Unternehmen zugleich nicht, ihre offenen Stellen zu besetzen. Genau hier bietet Künstliche Intelligenz ein großes Potenzial – nicht als abstrakte Transformationsvision, sondern mit einer konkreten Frage: Welche der offenen Stellen lassen sich mit KI ergänzen? 

Diese Studie verfolgt dazu einen pragmatischen Ansatz und betrachtet den konkretesten Einstiegspunkt: die offenen Stellen, die ohnehin neu ausgeschrieben werden. Grundlage ist eine Auswertung von 5.280 aktuell ausgeschriebenen Stellen deutscher Familienunternehmen - bewertet nach KI-Exposition und Substituierbarkeit und über die Durchschnittsgehälter in eine betroffene Gehaltssumme übersetzt. 

21 % der Aufgaben sind im Schnitt KI-substituierbar - rechnerisch 1.118 Vollzeitäquivalente 

74,6 Mio. € der jährlichen Brutto-Gehaltssumme entfallen auf KI-substituierbare Tätigkeiten 

Die wichtigsten Ergebnisse auf einen Blick 

• Im Durchschnitt sind 21 % der Aufgaben pro Stelle KI-substituierbar - rechnerisch 1.118 von 5.280 Vollzeitäquivalenten. Bei 40 % der Stellen liegt der substituierbare Aufgabenanteil bei mindestens 30 %. 
• Gemessen an der Gehaltssumme ist das Potenzial größer als nach Köpfen: 74,6 Mio. € bzw. 25,4 % der jährlichen Brutto-Gehaltssumme entfallen auf KI-substituierbare Tätigkeiten - höher bezahlte Rollen sind systematisch stärker betroffen. 
• Höchster relativer Hebel in wissensintensiven Bürofunktionen: Finanzen & Rechnungswesen (51 %), Recht & Verwaltung (46 %), Werbung & Marketing (39 %). Höchster absoluter Hebel über das Volumen: IT & Software und Unternehmensführung. 
• Gewerblich-physische Berufe (Produktion & Handwerk 6 %, Logistik 10 %) sind kaum substituierbar - hier liegt der KI-Hebel an anderer Stelle. 
• KI trifft die qualifizierte, teure Wissensarbeit: akademische Rollen sind mit 36 % rund dreimal so stark substituierbar wie nicht-akademische (11 %). 

Datengrundlage waren alle ausgeschriebenen Stellen auf www.karriere-familienunternehmen.de, einem Jobportal für Familienunternehmen, betrieben von Der Entrepreneurs Club. In die Analysen gingen jeweils der Job-Titel sowie die Job-Beschreibung (die 'Stellenanzeige') ein. Stichtag der Analyse war der 18. Juni 2026. 

Zum Zeitpunkt der Auswertung waren auf dem Portal Stellenanzeigen von 350 Familienunternehmen gelistet. Diese Unternehmen gehören zu 52 Familienunternehmensgruppen in Umsatzgrößen von rund 36 Mio. € bis 185,6 Mrd. € (Median rund 1 Mrd. €) und einer Beschäftigtenzahl in Deutschland von 250 bis 200.000 (Median rund 2.050). 

Vor der Auswertung wurden alle Stellen auf Studierenden- bzw. Qualifizierungsniveau ausgeschlossen - konkret Werkstudierenden-Stellen, Praktika, Abschlussarbeiten, duale Studienplätze und Masterarbeiten -, da diese nicht den regulären Personalbedarf abbilden. Nach dieser Bereinigung verbleiben 5.280 bewertete Stellen aus 325 Familienunternehmen. 

Der methodische Ausgangspunkt ist der von Andrej Karpathy für den US-Arbeitsmarkt entwickelte Bewertungsansatz. Die Leitfrage je Rolle lautet, wie stark Stellen bzw. Tätigkeiten 'KI-exponiert' sind - das heißt, wie stark eine Stelle oder Tätigkeit potenziell der Veränderung ausgesetzt ist unter dem zunehmenden Einzug von KI. 

Anschließend wurde eine weitergehende Analyse der konkret in den Stellenausschreibungen angegebenen Tätigkeiten und Aufgaben vorgenommen. Hieraus wurde der prozentuale Anteil abgeleitet, der sich potenziell durch den Einsatz von KI übernehmen ließe. 

Schließlich wurde auf Basis der Durchschnittsgehälter für die betroffenen Stellen berechnet, wie hoch die betroffene Brutto-Gehalts- bzw. Lohnsumme und die damit verbundenen Personalkosten sind. So lässt sich das Potenzial nicht nur in Stellen, sondern auch in Euro ausdrücken. 

Daraus ergeben sich die beiden zentralen Kennzahlen je Stelle: 

• KI-Exposition (Skala 0-10): Maß dafür, wie stark KI die Tätigkeit insgesamt verändert. 
• Substituierbarkeit (KI-Quote, 0-100 %): Anteil der Kernaufgaben, der sich durch rein kognitive, digitale KI übernehmen ließe. 

Zur Auswertung der Stellenanzeigen wurde eine automatisierte NLP-Pipeline auf Basis moderner Large Language Models (LLMs) eingesetzt. Die Evaluation erfolgte in drei parallelen Strängen: Klassifizierung und Substituierbarkeit (KI-Quote), KI-Exposition (Karpathy Score) sowie Gehaltsschätzung. 

• Zero-Shot-Verfahren: Jede Vakanz wurde als isoliertes Datenpaket bewertet, um Quereffekte oder systematische Verzerrungen durch vorherige Auswertungen auszuschließen.  
• Guardrails gegen Halluzinationen: Physische und interpersonelle Tätigkeiten (Kommissionierung, Montage, Maschinenbedienung, Pädagogik) wurden per Prompt-Restriktion explizit von der KI-Quote ausgeschlossen (Quote = 0 %); Robotik zählt ausdrücklich nicht als KI. 
• Der Karpathy Score folgt einer an Kriterien des US Bureau of Labor Statistics angelehnten Heuristik mit einer kalibrierten 10-Punkte-Skala; die vollständige digitale Durchführbarkeit (Remote-Fähigkeit) gilt als primärer Indikator hoher Exposition. 
• Die Gehaltsangaben beruhen auf einer KI-gestützten Interpolation aus Jobtitel und Standort (Brutto-Jahresgehalt in EUR, inkl. Währungsumrechnung und Sonderformaten). 

Die Verdichtung auf Aggregatebene erfolgte über das Stellenvolumen je Gruppe. Die Kennzahl 'rechnerisch ersetzte Stellen' ergibt sich als Summe der substituierbaren Aufgabenanteile (Anzahl der Stellen mal durchschnittlicher Substituierbarkeit). Die betroffene Gehaltssumme ergibt sich analog aus Durchschnittsgehalt mal Substituierbarkeit je Stelle.

Die von der Pipeline erzeugten Merkmale je Stelle umfassen Substituierbarkeit, KI-Exposition, akademischen Grad (akademisch / nicht akademisch), Seniorität und geschätztes Gehalt. Da die Datenbasis keine vorgegebene Berufsklassifikation enthält, wurden die Stellen ergänzend über ein regelbasiertes Verfahren anhand des Stellentitels zu Funktionsclustern zusammengefasst (etwa Finanzen & Rechnungswesen, IT & Software, Vertrieb & Einkauf, Produktion & Handwerk). Dieses Verfahren ordnet rund 87 % der Stellen eindeutig zu; die verbleibenden werden als 'Sonstige' geführt. Die Cluster orientieren sich an gängigen Berufsgruppen in Anlehnung an die Klassifikation der Berufe 2010 (KldB 2010) der Bundesagentur für Arbeit. 

Über alle 5.280 Stellen hinweg liegt die durchschnittliche Substituierbarkeit bei 21 %. Das entspricht rechnerisch 1.118 Vollzeitäquivalenten, die sich mit heute verfügbarer KI ersetzen ließen. Aussagekräftiger als dieser Durchschnitt ist die Verteilung: Bei 40 % der Stellen ist mindestens 30 % des Aufgabenanteils substituierbar - das Potenzial konzentriert sich also auf einen klar abgrenzbaren Teil der offenen Stellen. 

Die durchschnittliche KI-Exposition liegt mit 5,1 von 10 höher als die Substituierbarkeit. KI verändert also viele Tätigkeiten spürbar, ohne sie vollständig zu ersetzen - die vollständige Substitution ist der engere Sonderfall der breiteren Veränderung. 

Auf Funktionsebene zeigt sich ein klares Muster: Wissensintensive Bürofunktionen weisen die höchste Substituierbarkeit und Exposition auf. Die folgende Tabelle zeigt die Funktionscluster mit dem höchsten relativen Hebel. 

Tabelle 1: Funktionscluster mit dem höchsten relativen KI-Hebel (Auszug). Subst. = Substituierbarkeit, Expo. = KI-Exposition. Werte gerundet.

Der größte absolute Effekt entsteht nicht in den am stärksten substituierbaren, sondern in den volumenstärksten Funktionen. IT & Software und Unternehmensführung & Organisation führen wegen ihres hohen Stellenvolumens, obwohl ihre durchschnittliche Substituierbarkeit nur im Mittelfeld liegt. 

Tabelle 2: Funktionscluster mit dem höchsten absoluten Hebel (rechnerisch ersetzte Stellen). Werte gerundet. 

Am unteren Ende stehen die gewerblich-physischen Funktionen: Produktion & Handwerk (6 % Substituierbarkeit) und Logistik & Transport (10 %). Das ist keine Entwarnung, sondern ein Hinweis darauf, dass der KI-Hebel in diesen Bereichen nicht über die Stellenausschreibung, sondern über Prozess- und Anlagentechnik gehoben wird. 

Die Substituierbarkeit verteilt sich nicht gleichmäßig über die Qualifikationsniveaus. Akademische Rollen sind mit durchschnittlich 36 % rund dreimal so stark substituierbar wie nicht-akademische (11 %).

Die Übersetzung des Aufgaben-Potenzials in Personalkosten zeigt den eigentlichen wirtschaftlichen Hebel. Die gesamte jährliche Brutto-Gehaltssumme der untersuchten Stellen beträgt rund 293 Mio. Euro. Davon entfallen 74,6 Mio. Euro - also 25,4 % - auf KI-substituierbare Tätigkeiten. 

Dieser Anteil liegt über der kopfgewichteten Substituierbarkeit von 21 %. Der Grund: Höher bezahlte Rollen sind systematisch stärker betroffen (Korrelation 0,47 zwischen Gehalt und Substituierbarkeit). Wer das Potenzial nur in Stellen misst, unterschätzt den finanziellen Hebel. 

Die Ergebnisse sind als Orientierungsrahmen zu verstehen, nicht als exakte Prognose. Folgende Einschränkungen sind bei der Interpretation zu beachten: 

• Exposition, nicht Beschäftigungsprognose: Ein hoher Wert misst, wie stark KI eine Tätigkeit verändert - nicht die Wahrscheinlichkeit, dass die Stelle wegfällt. Eine Funktion kann hoch exponiert sein und dennoch wachsen, wenn die gestiegene Produktivität zu höherer Nachfrage führt. 
• Rechnerische, keine reale Ersetzbarkeit: 'Substituierbar' bezeichnet das technische Automatisierungspotenzial der beschriebenen Aufgaben, nicht eine Aussage über tatsächlichen Stellenabbau. Organisatorische, rechtliche und kulturelle Faktoren bleiben unberücksichtigt. 
• Nur rollenbasiert - konservative Untergrenze: Erfasst werden Effekte auf Ebene der einzelnen Rolle. Der potenziell größere Hebel eines KI-gestützten Prozess- und Organisationsdesigns wird nicht abgebildet. Die Werte sind daher eher eine konservative Untergrenze. 
• Datengrundlage Stellenausschreibung: Bewertet wurden Stellentitel und ausgeschriebene Aufgabenbeschreibung, nicht die tatsächlich gelebte Rolle. Ausschreibungen sind oft generisch und bilden Tätigkeiten unvollständig ab. 
• LLM-gestützte Bewertung: Die Kennzahlen wurden im Zero-Shot-Verfahren durch Large Language Models erzeugt. Trotz Guardrails und deterministischer Ausgabe bleibt eine modellbedingte Unschärfe; eine systematische menschliche Validierung der Einzelscores stand nicht im Fokus. 
• Gehaltsangaben sind Schätzwerte: Die Brutto-Gehaltssummen beruhen auf KI-interpolierten Durchschnittsgehältern, nicht auf tatsächlichen Vergütungsdaten. Die Euro-Werte sind als Größenordnung zu lesen. 
• Funktionsklassifikation regelbasiert: Die Zuordnung zu Funktionsclustern erfolgt keyword-basiert anhand des Stellentitels; rund 13 % der Stellen bleiben 'Sonstige', einzelne Zuordnungen können unscharf sein. 

1. Aufgabenanalyse vor der Ausschreibung: Vor jeder Neubesetzung prüfen, welche Anteile der Rolle heute bereits KI-fähig sind - substituierbar oder ergänzbar. 
2. Stellenzuschnitt anpassen statt 1:1 nachbesetzen: Das Anforderungsprofil auf Basis der Analyse neu zuschneiden, statt die Ausschreibung von vor drei Jahren zu wiederholen. 
3. KI-Kompetenz ins Profil aufnehmen: Tooling- und KI-Anwendungskompetenz als Anforderung verankern, besonders in den Hochleverage-Funktionen Finanzen & Rechnungswesen, Recht & Verwaltung, Marketing sowie IT. 

Das eingangs beschriebene Paradox lässt sich genau hier auflösen: Wo Stellen schwer zu besetzen sind, kann KI Teile der Aufgaben übernehmen oder ergänzen - und die Rolle so zuschneiden, dass sie realistisch besetzbar bleibt oder mit weniger Personal auskommt. Neue Stellen umgehen zudem den größten Engpass jeder KI-Einführung: den Widerstand etablierter Teams gegen Veränderung. So wird KI nicht zum nächsten Großprojekt, sondern zur natürlichen Komponente jeder Personalentscheidung. 

• Methodischer Ausgangspunkt: KI-Expositions-Ansatz nach Andrej Karpathy (US Job Market Visualizer), adaptiert für den deutschen Kontext. 
• Kalibrierung der Exposition: Kriterien in Anlehnung an das US Bureau of Labor Statistics (BLS). 
• Berufssystematik der Funktionscluster: Klassifikation der Berufe 2010 (KldB 2010), Bundesagentur für Arbeit. 

Über appliedAI 

appliedAI ist Europas größte Initiative für die Anwendung vertrauenswürdiger KI-Technologie. Die Initiative wurde 2017 von Dr. Andreas Liebl als Bereich der UnternehmerTUM München aufgebaut und 2022 in ein Joint Venture mit dem Innovation Park Artificial Intelligence (IPAI) Heilbronn überführt.  An den Standorten München und Heilbronn verfolgen über 130 Mitarbeitende das Ziel, die europäische Industrie zu einem Gestalter im KI-Zeitalter zu machen, um die Wettbewerbsfähigkeit Europas zu erhalten und die Zukunft aktiv mitzugestalten. appliedAI unterstützt internationale Konzerne, darunter BMW und Siemens, sowie mittelständische Unternehmen ganzheitlich bei der KI-Transformation. Dies gelingt durch den partnerschaftlichen Austausch und den gemeinsamen Aufbau von Wissen, durch umfassende Beschleuniger-Programme sowie durch spezifische Lösungen und Services.   Weitere Informationen finden Sie unter https://www.appliedai.de/de/  

Über Der Entrepreneurs Club 

Der Entrepreneurs Club ist Netzwerk von und Dienstleister für Unternehmerfamilien und führende Familienunternehmen. Gegründet 2005 von Stefan Klemm als Unternehmerclub zur Lösung von Unternehmensnachfolgen, betreibt Der Entrepreneurs Club heute unter anderem die Recruiting- und Kontaktmessereihe “Karrieretag Familienunternehmen” https://www.karrieretag-familienunternehmen.de unter Schirmherrschaft der Bundesministerin für Wirtschaft und Energie sowie das Employer Branding- und Jobportal “Karriere im Familienunternehmen” https://www.karriere-familienunternehmen.de . Der Entrepreneurs Club entwickelt unternehmerisch zukunftsweisende Lösungen in strategisch relevanten Themenfeldern, wie aktuell Ansätze, künstliche Intelligenz unter Beachtung des nachhaltigen und menschzentrierten Wertekanons von Familienunternehmen in die Arbeitsprozesse zu integrieren.  
Weitere Informationen finden Sie unter https://www.entrepreneursclub.eu 

Pressekontakt appliedAI 

Stephanie Schäuble  

presse@appliedai.de  

appliedAI Initiative GmbH  

August-Everding-Straße 25 81671 München 

Pressekontakt Der Entrepreneurs Club 

Katharina Bunz 

presse@entrepreneursclub.eu 

Der Entrepreneurs Club e.K. 

Ismaninger Str. 115 81675 München