Bericht | KI-Kompetenz als Einstellungskriterium steigt von 24 % auf 36 %

Executive Summary

Diese Analyse stützt sich auf denselben Hacker-News-Hiring-Korpus aus Mai 2025 und Mai 2026 wie der RTO-Index-Bericht, betrachtet ihn aber aus einem anderen Winkel: Wie häufig nennen Unternehmen in ihren Stellenausschreibungen KI-Tools, LLM-Fähigkeiten, agentische Workflows und ähnliche Anforderungen?

Die strikte KI-Keyword-Durchdringung kletterte von 23,5 % im Mai 2025 auf 35,6 % im Mai 2026. Im Klartext: Vor einem Jahr nannte etwa jede vierte HN-Anzeige konkrete KI-Tools oder LLM-Konzepte; im Mai 2026 war es bereits mehr als jede dritte.

Entscheidend ist aber nicht allein die Häufigkeit. KI in der Kategorie „Required“ stieg von 1,7 % auf 4,1 %, während sich „Preferred AI“ kaum bewegte. KI-Sprache rutscht damit aus der Nice-to-have-Ecke zunehmend in den Muss-Bereich technischer Ausschreibungen.

Auch die Keyword-Mischung hat sich verschoben. „Agentic“ war 2026 das häufigste Keyword der Stichprobe, und Claude plus Claude Code lagen bei den namentlich genannten Tools zusammen vor Cursor und Copilot. Für Developer-Marketing, Recruiting und Karriereplanung ist die Botschaft eindeutig: KI-Workflow-Kompetenz wird Teil des gängigen Engineering-Stacks.

Thunderbit für KI-gestütztes Web-Scraping testen

Die Erkenntnisse zum Weitersagen

1. Strikte KI-Erwähnungen stiegen von 23,5 % auf 35,6 %, ein Plus von 12,1 Prozentpunkten.
2. Locker gefasste KI-Erwähnungen stiegen von 29,5 % auf 39,1 %.
3. Erforderliche KI-Anforderungen mehr als verdoppelten sich, von 1,7 % auf 4,1 %.
4. Bevorzugte KI legte kaum zu, von 3,0 % auf 3,5 % – das macht den Required-Anstieg umso aussagekräftiger.
5. „Agentic“ schoss von 7 auf 30 Nennungen und wurde 2026 zum Top-Keyword.
6. Claude tauchte 18 Mal auf, Claude Code 11 Mal; zusammen 29 Nennungen.
7. Engineering-Rollen trugen die Hauptbewegung – die KI-Keyword-Durchdringung stieg dort von 22,1 % auf 36,3 %.

Es ist ein Unterschied, ob ein Unternehmen verkündet „Wir sind begeistert von KI“ oder ob es KI-Tools direkt in die Anforderungen schreibt, die Bewerber erfüllen müssen. Ersteres ist eine Marketinghaltung, Letzteres ein operatives Signal. Dieser Bericht konzentriert sich auf die zweite Sorte Belege: die Sprache, mit der Unternehmen in einem öffentlichen, stark engineer-geprägten Forum technische Talente ansprechen.

Diese Unterscheidung zählt, weil Daten zur KI-Adoption oft verrauscht sind. LinkedIn und Indeed zeigen zwar ein explosives Wachstum der KI-Sprache, doch Jobbörsen belohnen auch Keyword-Stuffing. Unternehmensblogs klingen schnell ambitioniert, ohne viel über die tägliche Arbeit zu verraten. Hacker News ist eine kleinere, voreingenommene Stichprobe, aber die Sprache dort ist meist weniger glattgebügelt und direkter. Wer als Gründer oder Engineer postet, will in der Regel Kolleginnen und Kollegen gewinnen – nicht einen Recruiter-Algorithmus austricksen.

Die eigentliche Schlagzeile ist deshalb nicht, dass KI-Wörter häufiger auftauchten. Schärfer formuliert: KI-Sprache ist in der Hierarchie der Hiring-Texte aufgestiegen – von allgemeinem Interesse über namentlich genannte Tools bis hin zu Muss-Kriterien. Genau diese Verschiebung lässt sich für Karrierefragen, Developer-Tooling, Recruiting oder die nächste Welle von B2B-Content auswerten.

Hacker News veröffentlicht am ersten Tag jedes Monats einen festen Hiring-Thread: „Ask HN: Who is hiring?“. Unternehmen hinterlassen dort einen Recruiting-Kommentar im Format company | role | location | REMOTE/HYBRID/ONSITE | description. Wir haben die Threads von Mai 2025 und Mai 2026 ausgewertet, insgesamt 619 Hiring-Kommentare, und nach konkreten KI-Tools und Fähigkeits-Keywords gesucht.

Das Kernergebnis ist schlicht: Innerhalb von zwölf Monaten stiegen die Nennungen von KI-Tools in Hiring-Texten von 23,5 % auf 35,6 %. Das sind 12 Prozentpunkte absolut bzw. rund 51 % relativ. Unter allen Trendberichten, die wir erstellt haben, zählt das zu den schnellsten strukturellen Veränderungen in einem vergleichbaren Zeitraum – etwa viermal so schnell wie die im benachbarten RTO-Index-2026-Bericht dokumentierte Verschiebung von +3,3 Prozentpunkten zwischen Hybrid und Remote.

Doch die 12-Prozentpunkte-Zahl selbst ist nicht der spannendste Teil. Drei Ebenen darunter zählen mehr.

Erstens: „Required AI“ hat sich verdoppelt. Anzeigen, die ausdrücklich required / must have / experience with X AI tool formulieren, stiegen von 1,7 % im Mai 2025 auf 4,1 % im Mai 2026 – von 5 auf 13 Posts bei gleichem Nenner. Der Anteil der Unternehmen, die KI in ihren Kriterien als Muss behandeln, hat sich mehr als verdoppelt. Die Rolle von KI in Stellenbeschreibungen wandert von „schön, wenn man’s kann“ zu „ab Tag 1 erforderlich“.

Zweitens: „agentic“ ging von beinahe unsichtbar auf Platz 1. Im Mai-2025-Thread fiel „agentic“ 7 Mal und landete knapp außerhalb der Top 20. Im Mai 2026 erschien es 30 Mal und führte das Feld an. „Agentic“ – also KI-Agent bzw. agentischer Workflow – hat sich binnen zwölf Monaten von Forschungssprache zu Standardvokabular in Hiring-Texten gewandelt. In den letzten vier Tech-Wellen (Big Data, Blockchain, Web3, die LLMs selbst) hat kein Konzept diesen Sprung so rasch geschafft. Die Treiber liegen offen: Anthropic positioniert Claude als „Agent, der Tools nutzt“, OpenAI liefert Computer Use und GPT-5-Agent-Demos, und der Y-Combinator-W26-Batch ist stark von „agentic“-Startups geprägt. Die technische Erzählung explodierte zwischen Ende 2024 und Mitte 2025, und der Mai-2026-Thread ist genau die Stichprobe, in der diese Welle im Hiring ankommt.

Drittens: Claude führt bei den namentlich genannten Tools – mehr als doppelt so oft wie Cursor und Copilot. „Claude“ erscheint im Mai 2026 18 Mal (gegenüber 3 Mal im Mai 2025 – ein 4,5-facher Anstieg). „Claude Code“ kommt separat auf weitere 11 Nennungen; zusammen also 29. Cursor liegt bei 8, Copilot bei 6. Copilot ist der Platzhirsch dieser Kategorie – GitHub brachte es 2021 auf den Markt, fünf Jahre Präsenz haben für breite Bekanntheit unter Engineers gesorgt. Doch in HN-Hiring-Texten – einer Stichprobe von Engineers, die für andere Engineers schreiben – hat Anthropic mit Claude überholt. Für Developer-Marketing heißt das: Die tatsächliche Durchdringung von Anthropic liegt deutlich höher, als es auf den ersten Blick wirkt. Dieses Signal bleibt in LinkedIn oder Indeed unsichtbar (dort füllt jeder Anbieter die Stichprobe gleichzeitig mit SEO); es zeigt sich nur im person-to-person-Register von HN.

Zusammengenommen ergibt die Datenlage eine klare Geschichte: KI in Hiring-Narrativen verschiebt sich von „wir wollen KI machen“ zu „wir machen bereits KI, du musst darin sicher sein“. Auf der Verb-Seite werden „build with“, „automate via“ und „use“ häufiger, während „explore“, „research“ und „prototype“ zurückgehen. Auf der Tool-Seite setzt Anthropic mit dem Claude-Ökosystem (Claude + Claude Code + agentic frameworks) OpenAI bei der Entwickler-Wahrnehmung zunehmend unter Druck. Im Folgenden nehmen wir jede Ebene einzeln auseinander.

1. Gesamt: von 24 % auf 36 %

Wir haben den vollständigen Text von 619 Hiring-Kommentaren mit einem öffentlichen KI-Keyword-Wörterbuch abgeglichen (komplette Liste unten). Treffer ordnen wir in vier Stufen ein, von locker bis streng:

• Loose: jedes KI-bezogene Keyword (inklusive allgemeiner Begriffe wie „machine learning“)
• Strict: konkrete KI-Tools (Claude / Cursor / Copilot / OpenAI / Midjourney) oder LLM-Kategorien (GenAI / LLM / RAG / agentic)
• Required: Strict-Treffer + Kontext enthält required / must have / experience with
• Preferred: Strict-Treffer + Kontext enthält nice to have / preferred / bonus

Metrik	2025-05	2026-05	YoY (pp)
Loose KI-Erwähnung	29,5 % (89)	39,1 % (124)	+9,6
Strikte KI-Erwähnung	23,5 % (71)	35,6 % (113)	+12,1
Erforderliche KI	1,7 % (5)	4,1 % (13)	+2,4
Bevorzugte KI	3,0 % (9)	3,5 % (11)	+0,5

Die aussagekräftigste Zeile ist Strict – sie filtert Fehlalarme durch breite Begriffe wie „machine learning“ heraus. Über zwölf Monate kletterte Strict von 23,5 % auf 35,6 %, also +12,1 Prozentpunkte absolut bzw. rund 51 % relativ. Einfach gesagt: Vor einem Jahr nannte etwa 1 von 4 HN-Hiring-Posts explizit KI-Tools wie Claude / Cursor / Copilot / LLM / RAG. Heute ist es mehr als 1 von 3.

Die Zeile Required erzählt die zugespitzte Variante derselben Geschichte. Von 5 auf 13 Posts – in absoluten Zahlen klein, in der Aussage groß. Steht ein KI-Tool im Muss-Teil der Anzeige, ist die Botschaft klar: Dieses Tool ist bereits fest im Workflow verankert, nicht bloß eine Absicht. „Required“ verdoppelte sich schneller als Loose und Strict – das deutlichste Signal dafür, dass KI-Tools von der Hiring-Rhetorik in die reale Arbeitserwartung übergehen.

Preferred bewegte sich kaum – auch das ist ein Signal. Bestünde die gesamte KI-Welle nur darin, „KI-Wörter in die Anzeige zu streuen“, müsste Preferred ähnlich stark steigen wie Required: „Wir würden uns freuen, wenn Sie KI-Tools kennen, das wäre ein Plus.“ Stattdessen legte Preferred nur +0,5 Prozentpunkte zu, Required dagegen +2,4. KI-Tooling wird also nicht einfach öfter erwähnt; es wird in der Anforderungshierarchie nach oben geschoben – vom Nice-to-have zum Must-have.

2. Welche KI-Wörter genannt werden: Agentic, Claude, LLM vorn

Nach Häufigkeit sortiert, die 12 wichtigsten KI-Keywords im Thread 2026-05:

Rang	Keyword	2026-05	2025-05	Typ
1	agentic	30	7	Neues Konzept
2	LLM	24	16	Fähigkeit
3	LLMs	19	23	Fähigkeit
4	Claude	18	3	Tool / Marke
5	AI agents	15	14	Neues Konzept
6	AI-native	12	4	Neues Konzept
7	Claude Code	11	0	Tool / Marke
8	RAG	10	6	Fähigkeit
9	AI tools	8	5	Fähigkeit
10	Cursor	8	0	Tool / Marke
11	Copilot	6	3	Tool / Marke
12	OpenAI	6	8	Tool / Marke

Ein paar Beobachtungen stechen heraus.

„agentic“ sprang von 7 auf 30 – Sieger unter den neuen Konzepten. Vor einem Jahr nutzte es in HN-Hiring kaum jemand; heute steht es auf Platz 1. „Agentic“ – also KI-Agent bzw. agentischer Workflow – wurde binnen zwölf Monaten aus Forschungssprache zu Standardvokabular in Stellenanzeigen. Die letzten vier Tech-Wellen (Big Data, Blockchain, Web3, die LLMs selbst) haben in einem einzelnen Jahr keine derart schnelle Durchdringung gezeigt. Die Treiber liegen offen: Anthropic positioniert Claude als „Agent, der Tools nutzt“, OpenAI liefert Computer Use und GPT-5-Agent-Demos, der Y-Combinator-W26-Batch ist stark agentic-lastig. Die technische Erzählung explodierte zwischen Ende 2024 und Mitte 2025, und der Mai-2026-Thread ist genau die Stichprobe, in der sie im Hiring-Text ankommt.

Claude führt bei den namentlich genannten Tools. 18 Nennungen, dazu separat 11 für Claude Code, zusammen 29. Cursor liegt bei 8, Copilot bei 6. Copilot ist der etablierte Player – GitHub brachte es 2021 auf den Markt, fünf Jahre Sichtbarkeit müssten eigentlich Dominanz bedeuten. Doch in HN-Hiring-Texten – Engineers schreiben für Engineers – hat das Claude-Ökosystem von Anthropic überholt. Für Developer-Marketing zeigt sich hier eine deutlich tiefere Durchdringung, als die Oberfläche vermuten lässt. Dieses Signal bleibt in LinkedIn oder Indeed unsichtbar (dort überlädt jeder Anbieter die Suche mit SEO); es taucht nur in personennahen Formaten wie HN auf.

„LLM“ + „LLMs“ zusammen: 43 Nennungen. Mit Abstand die größte Fähigkeitskategorie. „Mit LLMs arbeiten“ ist mittlerweile Grundrauschen, das niemand mehr erklären muss – für Engineering-Kandidaten 2026 ist es das, was „Git kennen“ 2018 war.

„AI-native“ erreichte 12, nach zuvor 4. Ein Kultur- bzw. Organisationskeyword – Unternehmen suchen nicht nur Tool-Kompetenz, sondern Menschen, deren Standardmuster AI-first ist. Schon dass dieses Wort in Anzeigen auftaucht, ist ein Reifesignal: Der Markt ist von „jemanden einstellen, der KI kennt“ zu „jemanden einstellen, der KI als Standard-Workflow behandelt“ weitergerückt.

„RAG“ liegt bei 10, nach zuvor 6. Retrieval-Augmented Generation war 2024 noch Forschungssprache; 2026 steht es in Job-Bullets als explizite technische Anforderung. Vektordatenbanken und Retrieval-Pipelines sind in vielen Unternehmen längst echte Produktionsbausteine.

3. Wer auf HN „Required AI“ schreibt: die 13 Unternehmen

Im Thread 2026-05 kombinierten 13 Unternehmen ausdrücklich required / must have / experience with mit KI-Tool-Keywords. Die vollständige Liste steht in der Grafik; eine repräsentative Auswahl:

• We The Flywheel (Rolle: Eng) — Anzeige verlangt ausdrücklich: Claude;Claude Code;Cursor
• SEEKING FREELANCER (Rolle: Eng) — Anzeige verlangt ausdrücklich: Cursor;Lovable
• Pathos AI (Rolle: Eng) — Anzeige verlangt ausdrücklich: OpenAI
• Brandfetch (https://brandfetch.com) (Rolle: Eng) — Anzeige verlangt ausdrücklich: LLM;AI agent
• Dablam (Rolle: Eng) — Anzeige verlangt ausdrücklich: AI agents
• Starbridge (Rolle: Eng) — Anzeige verlangt ausdrücklich: Anthropic;OpenAI;Gemini;LangChain;LlamaIndex
• INDATA (Rolle: Eng) — Anzeige verlangt ausdrücklich: Claude;Claude Code;Anthropic;OpenAI;Copilot;Cursor
• BIT Capital (Rolle: Eng) — Anzeige verlangt ausdrücklich: LLM;RAG;agentic

Wer sich die Profile ansieht, erkennt das Muster: INDATA verlangt Claude / Claude Code / Anthropic / OpenAI / Copilot / Cursor – einen vollständigen AI-Tooling-Stack als Erwartung ab Tag 1, nicht bloß „bitte mit KI vertraut sein“. Starbridge listet Anthropic / OpenAI / Gemini / LangChain / LlamaIndex – Modell-APIs plus Retrieval-Frameworks. We The Flywheel fordert Claude + Claude Code + Cursor – einen reinen Coding-Agent-Stack.

Diese Unternehmen eint ein Muster: Sie haben HN bewusst als öffentlichen Rekrutierungskanal gewählt und sich bewusst dafür entschieden, KI-Tooling in den Muss-Bereich zu schreiben. Beide Entscheidungen zählen. Ein HN-Post ist aufwendiger als LinkedIn – man braucht ein Konto, der Beitrag ist öffentlich für Peers sichtbar, und Übertreibungen werden in den Kommentaren sofort hinterfragt. Wer diesen Filter passiert, verrät damit: Unternehmen, die weiterhin Required AI schreiben, sind mit hoher Wahrscheinlichkeit tatsächlich im Workflow auf diese Tools angewiesen – nicht bloß auf Keyword-Pflege bedacht.

Für DTC-Operatoren, SaaS-Marketing und Employer-Brand-Teams liefert diese Liste einen zweiten Nutzen als Referenzpunkt: Die Employer-Brand-Erzählung „wir sind AI-fluent“ ist jetzt empirisch prüfbar. „Wir nutzen KI“ zu sagen reicht nicht – ob in deinen Jobanzeigen Required plus konkrete Toolnamen stehen, zeigt die wahre Tiefe der KI-Nutzung im Team. Eine Karriereseite, die „wir sind ein AI-first-Unternehmen“ verspricht, in keiner einzigen JD aber einen Tool-Stack nennt, wirkt für Kandidaten inkonsistent.

4. Engineering sprang von 22 % auf 36 % KI-Keyword-Durchdringung

Nach Rollen-Bucket, KI-Trefferquote für 2026-05 (nur Buckets mit ≥3 Postings):

Rollen-Bucket	Gesamt	KI-Treffer	Trefferquote	Quote 2025-05
Founding	5	4	80,0 %	100,0 %
Ops	6	3	50,0 %	40,0 %
Marketing	8	4	50,0 %	16,7 %
AI/Research	8	3	37,5 %	33,3 %
Eng	237	86	36,3 %	22,1 %
Other	46	11	23,9 %	21,1 %
Sales	3	0	0,0 %	0,0 %

Ein paar Hinweise.

Engineering ist die eigentliche Geschichte. Es macht 74,8 % der Stichprobe aus (237 Posts). Die KI-Trefferquote stieg von 22,1 % im Mai 2025 auf 36,3 % im Mai 2026 – also +14 Prozentpunkte absolut. Jede makroökonomische Aussage über „AI penetration“ in diesem Bericht ruht in erster Linie auf dieser Zeile. Rund jeder dritte Software-Engineering-Post verweist nun explizit auf KI-Keywords – die größte strukturelle Veränderung in Software-Hiring-Texten der letzten 12 Monate.

Der AI/Research-Bucket liegt mit 8 Posts und 37,5 % Trefferquote sogar unter Engineering. Das wirkt widersinnig. Theoretisch sollten „AI Research / AI Engineer“ fast 100 % Treffer liefern. Der Grund: Diese JDs setzen stark auf Fachbegriffe („transformer architecture / attention mechanism / pretraining objective“), die unser Wörterbuch nicht abdeckt. Die kleine Stichprobe erzeugt zusätzliches Rauschen. Lies das nicht als „AI-Research-Hiring verwendet weniger KI-Wörter“ – es ist eine Abdeckungslücke des Klassifikators, kein Brancheneffekt.

Der Founding-Bucket (Founding Engineer / Chief of Staff / VP-Level) liegt 2026 bei 80 % – 4 von 5 Posts der Stichprobe. Das spiegelt, wie breit Founding-Rollen beschrieben werden: „Founding Engineer muss viele Hüte tragen, KI-Tooling inklusive.“ Aber 5 Samples sind zu wenig für harte Schlüsse.

Marketing / Ops mit je 6–8 Posts und ~50 % Trefferquote. Das wirkt hoch; im Kern steckt ein Sample-Size-Effekt. In einer größeren Stichprobe lägen diese Buckets vermutlich bei 30–40 %. Es gibt schlicht zu wenige Marketing-/Sales-/Ops-/HR-Posts, um rollenspezifische Aussagen sauber abzuleiten; diese Buckets sollten nicht für belastbare Rollenaussagen zitiert werden.

Die einzige belastbar zitierbare Rollen-Aussage lautet: Engineering stieg bei der KI-Keyword-Durchdringung von 22 % auf 36 %. Die Stichprobe ist groß genug, die Veränderung deutlich genug, der Rest zu klein für starke Aussagen.

5. Warum das zählt – und wo die Grenze liegt

In den letzten 18 Monaten hat sich die Debatte, ob KI das Hiring tatsächlich verändert, in zwei Lager geteilt.

Das optimistische Lager verweist auf LinkedIn-/Indeed-Berichte – die GenAI-Keyword-Häufigkeit explodiert (LinkedIn Economic Graph spricht von 21x YoY; Indeed Hiring Lab von +330 % YoY). Das skeptische Lager hält dagegen, diese Zahlen spiegelten eher „Unternehmen, die KI-Keywords für SEO in JDs stopfen“ als echte Arbeitswelt-Nutzung.

Der Wert von HN als Stichprobe liegt darin, dass es nicht für SEO oder Plattform-Algorithmen optimiert ist. HN-Kommentare schreiben Engineers und Gründer für ihre Peers – kein LinkedIn-Keyword-Padding, keine Indeed-CPC-Spielchen, keine Recruiter-Vorlagen. Jeder Kommentar wird von HN-Lesern in Echtzeit beobachtet, beantwortet und hinterfragt. Jede überzogene KI-Behauptung fliegt sofort auf. Dieser öffentliche Peer-Review-Filter macht HN-Hiring-Text zu einer relativ sauberen Stichprobe echter Arbeitgebernachfrage.

Wenn eine so gefilterte Stichprobe binnen zwölf Monaten einen Anstieg der Strict-KI-Erwähnungen um 12 Prozentpunkte zeigt, ist das ein starkes Signal für echte Nachfrage – kein bloßes Artefakt der Plattformlogik.

Doch die Grenzen der Stichprobe gehören ehrlich benannt. HN ist eine Developer-/Early-Engineering-/Startup-Community – stark zugunsten früher KI-Adopter verzerrt. Engineering macht 74,8 % der Stichprobe aus; die Repräsentativität für Sales / Marketing / HR / Finance / Legal ist gering. Traditionelle Branchen (große Finanzinstitute, Fertigung, Einzelhandel, Gesundheitswesen, Bildung) zeigen deutlich niedrigere KI-Keyword-Durchdringung; die meisten dieser Unternehmen rekrutieren ohnehin nicht auf HN.

Deshalb lässt sich dieser Bericht nicht als „35,6 % KI-Durchdringung im US-Arbeitsmarkt“ lesen – sondern als: „In einer selbst selektierten Developer-/Startup-Stichprobe auf HN liegt die KI-Keyword-Durchdringung in Hiring-Texten bei 35,6 %.“ Ein gewaltiger Unterschied.

6. Praktische Hinweise für Ops, Content und Recruiting

Aus den Daten lassen sich konkrete Schritte für alle ableiten, deren Arbeit diese Bereiche berührt.

Developer-Marketing und Employer Branding. Verschiebe „Vertrautheit mit KI-Tools“ aus dem Nice-to-have-Bereich deiner Karriereseite in die Erwartung ab Tag 1. Die 35,6-%-Strict-Quote ist dein Peer-Benchmark – liegt die Sichtbarkeit deiner KI-Tools auf der Karriereseite deutlich darunter, verlierst du Kandidaten an sichtbar KI-fluente Mitbewerber. Konkret: Nenne im Abschnitt „Womit du arbeiten wirst“ konkrete KI-Tools beim Namen (Claude + Cursor + LangChain + …), nicht nur vage Formeln wie „moderne KI-Tools“.

SaaS-/Tooling-Positionierung. Das Marktfenster für Produkte rund um KI-Workflows öffnet sich. „Agentic“ sprang von 7 auf 30 Nennungen – ein echter Nachfragehinweis für Agent-Infrastruktur, Orchestrierung und Observability-Tools in Hiring-Texten. Die GTM-Erzählung dieser Produktkategorie kann sich nun auf HN-Daten als empirischen Anker stützen, statt nur auf Vision-Dokumente von Anthropic und OpenAI.

B2B-Content und SEO. Long-Tail-Suchen wie „Claude vs Copilot vs Cursor“ haben in den letzten 18 Monaten spürbar zugelegt. Die Top-Keyword-Liste dieses Berichts ist ein natürlicher Keyword-Anker für die redaktionelle Planung. „Agentic“ ist SEO-Neuland – 2026 ist noch früh genug, um autoritative Seiten zu agentischen Workflows aufzubauen („How to build agentic workflows“ / „Agentic vs traditional automation“ usw.). Der First-Mover-Vorteil greift hier noch, weil die Suchergebnisse noch nicht von dominierenden Content-Seiten besetzt sind.

Recruiting-Praxis. Übernimm HNs Schreibstil – „Required“ plus konkrete Toolnamen statt „AI tool experience preferred“. Die 13-Unternehmen-Stichprobe dieses Berichts (INDATA, Starbridge, We The Flywheel usw.) zeigt das hochpräzise Muster „Required + named stack“. Neben der besseren Signalqualität gegenüber Kandidaten erlaubt diese Formulierung, Bewerber im Gespräch sofort zu prüfen – „Du sagst, du nutzt Cursor; auf wie vielen produktiven Codebases hast du damit schon geliefert?“

Längsschnitt-Tracking. Die Top-Keyword-Liste und die Liste der Unternehmen mit Required AI lassen sich quartalsweise neu auswerten – die HN-Firebase-API ist komplett öffentlich, das Wörterbuch günstig zu pflegen, und das Ergebnis taugt als Dashboard zur KI-Durchdringung im Hiring-Markt. Ein vierteljährlicher Rhythmus liefert in jedem Zyklus ein veröffentlichbares Trend-Update, ohne große Datenbudgets.

7. Stabilitätschecks & Vergleich mit Peer-Daten

Jeder Trendbericht provoziert die Leserfrage: Ist die 12-Punkte-Verschiebung real oder nur Rauschen? Drei Checks.

Die Stichprobengröße ist stabil. Gesamt 2025-05: 302. 2026-05: 317. Differenz: nur 15 Posts. Ein stabiler Nenner bedeutet, dass Anteilsveränderungen echte Verschiebungen im Zähler spiegeln – kein bloßer Drift des Nenners.

Loose und Strict bewegen sich in dieselbe Richtung, Strict schneller. Loose +9,6 Punkte, Strict +12,1 Punkte. Gleiche Richtung, Strict schneller – der Anstieg ist also nicht bloß „mehr KI-Wörter“, sondern speziell „mehr namentlich genannte Tools und LLMs“. Damit fällt das Argument weg, nur unscharfe Begriffe trieben die Loose-Zahl nach oben.

Required wächst schneller als Preferred. Required +2,4 Punkte (≈2,4x), Preferred +0,5 Punkte (praktisch flach). KI-Tooling wird also nicht nur beiläufiger erwähnt, sondern in der Hierarchie vom Nice-to-have zum Must-have hochgestuft. Das ist das klarste Signal dafür, dass KI von einer Zusatzfähigkeit zur Basiserwartung wird.

Vergleich mit Peer-Daten:

Quelle	Abdeckung	Typische Einordnung (2024–2025)
LinkedIn Economic Graph	Globale LinkedIn-JDs	GenAI-gekennzeichnetes Rollenwachstum ~21x YoY (2023–2024)
Indeed Hiring Lab	US-Indeed-JDs	GenAI-Keyword-Häufigkeit +330 % YoY in allen JDs
Stanford AI Index 2025	Globaler AI-Hiring-Composite	AI-Class-Rollen 1,7 % (2024) → 2,5 % (2025)
Dieser Bericht (HN Who's Hiring)	HN-Developer-Community, 619 Posts	Strikte KI-Erwähnung 23,5 % → 35,6 % (+12,1 pp)

Das widerspricht sich nicht. LinkedIn/Indeed mit „GenAI 21x / 330 %“ bezieht sich auf dedizierte GenAI-Rollen (AI Engineer / ML Engineer) – kleiner Nenner, dramatische Multiplikatoren. Dieser Bericht misst die breite KI-Keyword-Durchdringung über alle JDs hinweg – größerer Nenner, moderatere absolute Bewegung, aber eine viel breiter abgestützte Geschichte. Der Stanford AI Index 2025 mit „AI-Class-Rollen 1,7 % → 2,5 %“ beschreibt den Anteil dedizierter Rollen, liegt also näher an unserem „Required AI“ (1,7 % → 4,1 %), aber mit anderem Nenner. Mehrere unabhängige Quellen deuten somit auf denselben Grundtrend – nur aus unterschiedlichen Blickwinkeln.

---

Methodik

Datenquelle: Hacker News Firebase API (https://hacker-news.firebaseio.com/v0/item/{id}.json). Verglichene Threads: Mai 2025 (Item-ID 43858554) und Mai 2026 (Item-ID 47975571). Jeder Top-Level-Kommentar gilt als ein Hiring-Posting (HN-Konvention). Gleicher 619-Posting-Korpus wie im Return-to-Office-Index-2026-Bericht – identische Quelldaten, andere analytische Linse. Snapshot-Datum: 12.05.2026 (UTC).

HN-Community-Bias (der wichtigste Vorbehalt): Die Hiring-Community auf HN ist von Entwicklern, Early-Stage-Engineering-Teams und KI-Adopter-Startups dominiert. Dieser Bericht lässt sich nicht als Trend zur KI-Durchdringung im US- oder Weltarbeitsmarkt lesen. Traditionelle Branchen (große Finanzunternehmen, Fertigung, Einzelhandel, Gesundheitswesen, Bildung) zeigen deutlich geringere KI-Keyword-Durchdringung; die meisten rekrutieren ohnehin nicht auf HN.

Engineering dominiert mit 74,8 %: Aussagen über Engineering-Rollen sind gut abgesichert; Aussagen über Sales / Marketing / Ops / HR nicht (jedes dieser Buckets hat N < 10). Alle rollenspezifischen Schlüsse in diesem Bericht gelten sicher nur für Engineering. Die übrigen Buckets sind zu klein für belastbare Aussagen.

JD-Text ≠ tatsächliche Anforderungen: Anzeigen enthalten Marketing-Floskeln – „Copilot familiarity“ kann HR-Keyword-Füllmaterial sein statt einer echten Anforderung ab Tag 1. Die Zahlen beschreiben „Keyword-Präsenz im JD-Text“, nicht die direkte Nutzung von KI im Arbeitsalltag. Beides korreliert, ist aber nicht dasselbe.

Required vs Preferred mit ca. 75–85 % Genauigkeit: Auf Basis von Kontextfenstern von ±120 Zeichen werden Randfälle gelegentlich falsch eingeordnet. Die genannten Required-/Preferred-Werte sind als „nach unserem Regelwerk“ zu lesen, nicht als absolute Wahrheit.

Dictionary-v1-Falsch-Negativ-Risiko: Das Wörterbuch orientiert sich am KI-Tooling-Ökosystem von 2026-05 und übersieht womöglich Tools oder Begriffe, die erst Ende 2026 auftauchen. Die berichteten Trefferquoten sind faktisch „Trefferquote unter Wörterbuch v1“ – also eine Untergrenze.

Mehrfach-Postings von Unternehmen werden nicht dedupliziert: Dieselben Firmen können mehrfach erscheinen (besonders bei 10+ Postings). Wir nutzen „Postings“ als Nenner, nicht „einzigartige Arbeitgeber“, weil wiederholte Postings derselben KI-Anforderung ein relevantes Signal für die Tiefe der KI-Nutzung auf Unternehmensebene sind, das eine Deduplizierung verwischen würde.

Recht & Urheberrecht: Die HN-API ist öffentlich, nur lesbar und ohne Authentifizierung. Der Text der Kommentare bleibt Urheberrecht der ursprünglichen Autorinnen und Autoren; dieser Bericht nutzt nur aggregierte Zählungen und kurze Keyword-Frequenzanalysen – keine vollständigen Zitate aus Kommentaren. Genannte Unternehmen (die 13 Required-AI-Firmen) erscheinen ausschließlich in positivem oder neutralem Kontext (sie haben KI öffentlich als erforderlich deklariert). Es wird kein rohes CSV/JSON-Dataset veröffentlicht; jede Zahl ist aus der öffentlichen HN-API + dem öffentlichen Wörterbuch reproduzierbar.

Vorbehalte

Was dieser Bericht NICHT stützt:

• Nicht „alle US-JDs verlangen jetzt KI-Tools“ (die Stichprobe ist ein HN-Subset, nicht der US-Arbeitsmarkt)
• Nicht „Unternehmen X nutzt keine KI-Tools“ (wir verfolgen Unternehmen nicht longitudinal)
• Belastbar: „Innerhalb der HN-Hiring-Threads von 2025-05 und 2026-05 stieg die strikte KI-Erwähnung von 23,5 % auf 35,6 % (+12,1 pp)“

Datenquelle & Versionierung

Datensatz: ai_required_position_rate_2026/ (dieses Repo). Snapshot-Datum 12.05.2026 UTC, Version v1.0 (einzelner YoY-Punkt, Dictionary v1). Nutzt dieselben HN-Daten wie der Return-to-Office-Index-2026-Bericht – beide lassen sich wechselseitig referenzieren.

Was SEO- und Content-Teams zitieren können

Diese Untersuchung liefert mehrere zitierfähige Winkel für Blog-Intros, Daten-Callouts, Social Posts, Vergleichsseiten und weiterführende Erklärstücke:

• Strikte KI-Erwähnungen stiegen von 23,5 % auf 35,6 %, ein Plus von 12,1 Prozentpunkten.
• Loose KI-Erwähnungen stiegen von 29,5 % auf 39,1 %.
• Required AI mehr als verdoppelte sich, von 1,7 % auf 4,1 %.
• Preferred AI bewegte sich nur leicht von 3,0 % auf 3,5 %, was den Required-Anstieg umso aussagekräftiger macht.
• „Agentic“ stieg von 7 auf 30 Nennungen und wurde 2026 zum Top-Keyword.
• Claude tauchte 2026 18 Mal auf, Claude Code 11 Mal; zusammen 29 Nennungen.
• Engineering-Rollen trugen die Hauptbewegung – KI-Keyword-Durchdringung von 22,1 % auf 36,3 %.

Der Vorbehalt sollte stets mit der Zahl mitwandern. Diese Werte beschreiben die konkrete Stichprobe und Methode dieses Berichts. Sie sollten nicht zur Vollerhebung des Marktes, zum internen Adoption-Maß oder zur Aussage über jedes Unternehmen der Kategorie umgedeutet werden.

Für redaktionelle Zwecke ist die stärkste Formulierung die, die Kennzahl und Stichprobengrenze verbindet. Das macht die Aussage robuster und für Leser glaubwürdiger. Schreib zum Beispiel „in dieser HN-Hiring-Stichprobe“, „in diesem DTC-Homepage-Static-Scan“ oder „in dieser YouTube-Kanal-Stichprobe“, bevor du die Zahl in eine breitere Trenddiskussion überführst.

Hinweise zur Reproduzierbarkeit

Der Auslieferungsordner enthält die folgenden Prozessdateien, kopiert aus den ursprünglichen lokalen Report-Paketen. Sie liegen bei, damit sich der veröffentlichte Bericht gegen die tatsächlichen Skripte, Zwischenoutputs, Grafiken und Quellentwürfe des Reporting-Workflows prüfen lässt.

• process_files/out/analysis_stats.json
• process_files/out/hn_jobs_ai_parsed.csv
• process_files/scripts/01_compute_stats.py
• process_files/scripts/02_make_figs.py
• process_files/scripts/03_build_data_brief.py
• process_files/scripts/04_build_report_bilingual.py
• process_files/scripts/05_module_i_check.py

Alle Skripte und Datensätze herunterladen

Korrekturen zur Methodik, Datensatzprobleme und Folgeanalysen sind unter support@thunderbit.com willkommen. Dieser Bericht beruht auf öffentlichen Web- oder öffentlichen API-Signalen, erhoben im Mai 2026, und sollte unter Berücksichtigung der oben genannten Stichprobengrenzen gelesen werden.

Thunderbit AI Web Scraper testen Get Started Free