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

Executive Summary

Diese Analyse nutzt denselben Hacker-News-Hiring-Korpus aus Mai 2025 und Mai 2026 wie der RTO-Index-Bericht, schaut ihn aber durch eine andere Brille: Wie oft erwähnen Unternehmen in ihren Stellenausschreibungen KI-Tools, LLM-Fähigkeiten, agentische Workflows und verwandte Anforderungen?

Die strikte KI-Keyword-Durchdringung stieg von 23,5 % im Mai 2025 auf 35,6 % im Mai 2026. Anders gesagt: Vor einem Jahr nannte ungefähr jede vierte HN-Stellenanzeige konkrete KI-Tools oder LLM-Konzepte; im Mai 2026 war es schon mehr als jede dritte.

Der wichtigste Wandel liegt nicht nur in der Häufigkeit. KI in der Kategorie „Required“ stieg von 1,7 % auf 4,1 %, während „Preferred AI“ sich kaum bewegt hat. Das zeigt, dass KI-Sprache aus der „nice-to-have“-Ecke zunehmend in den Muss-Bereich technischer Ausschreibungen rutscht.

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

Die am besten teilbaren Erkenntnisse

1. Strikte KI-Erwähnungen stiegen von 23,5 % auf 35,6 %, also um 12,1 Prozentpunkte.
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 stieg kaum, von 3,0 % auf 3,5 %, was den Anstieg bei Required umso relevanter macht.
5. „Agentic“ kletterte von 7 auf 30 Nennungen und wurde 2026 zum Top-Keyword.
6. Claude wurde 18 Mal genannt, Claude Code 11 Mal; zusammen ergibt das 29 Nennungen.
7. Engineering-Rollen trieben die Hauptbewegung, mit einem Anstieg der KI-Keyword-Durchdringung von 22,1 % auf 36,3 %.

Es macht einen Unterschied, ob ein Unternehmen sagt: „Wir sind begeistert von KI“, oder ob es KI-Tools direkt in die Stellenbeschreibung schreibt, die Bewerber erfüllen müssen. Das Erste ist eine Marketinghaltung. Das Zweite ist ein operatives Signal. Dieser Bericht konzentriert sich auf die zweite Art von Belegen: die Sprache, die Unternehmen verwenden, wenn sie in einem öffentlichen, stark engineer-geprägten Forum technische Talente suchen.

Diese Unterscheidung ist wichtig, weil KI-Adoptionsdaten oft verrauscht sind. LinkedIn und Indeed zeigen zwar ein explosives Wachstum der KI-Sprache, aber Jobbörsen belohnen auch Keyword-Stuffing. Unternehmensblogs können ambitioniert klingen, ohne viel über die tägliche Arbeit zu verraten. Hacker News ist eine kleinere und voreingenommene Stichprobe, aber die Sprache ist meist weniger glattpoliert und direkter. Wer dort als Founder oder Engineer postet, will in der Regel Kolleginnen und Kollegen anziehen – nicht einen Recruiter-Algorithmus optimieren.

Die Schlagzeile lautet also nicht bloß, dass KI-Wörter häufiger auftauchten. Die schärfere Aussage ist, dass KI-Sprache in der Hierarchie der Hiring-Texte aufgestiegen ist: von allgemeinem Interesse über namentlich genannte Tools bis hin zu Muss-Kriterien. Genau diese Art von Verschiebung können Leserinnen und Leser für Karrierefragen, Developer-Tooling, Recruiting oder die nächste Welle von B2B-Content nutzen.

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 einfach: Innerhalb von zwölf Monaten stiegen die Nennungen von KI-Tools in Hiring-Texten von 23,5 % auf 35,6 %. Das entspricht einem Anstieg um 12 Prozentpunkte bzw. rund 51 % relativ. Unter allen Trendberichten, die wir erstellt haben, gehört das zu den schnellsten strukturellen Veränderungen in einem vergleichbaren Zeitraum – etwa viermal schneller als der im benachbarten RTO-Index-2026-Bericht dokumentierte Verschiebungseffekt von +3,3 Prozentpunkten zwischen Hybrid und Remote.

Aber die 12-Prozentpunkte-Zahl selbst ist nicht der spannendste Teil. Drei Ebenen darunter sind wichtiger.

Erstens: „Required AI“ hat sich verdoppelt. Stellenanzeigen, die ausdrücklich required / must have / experience with X AI tool schreiben, 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 Hiring-Kriterien als Muss behandeln, hat sich mehr als verdoppelt. Die Rolle von KI in Stellenbeschreibungen verschiebt sich von „schön, wenn man’s kann“ hin zu „ab Tag 1 erforderlich“.

Zweitens: „agentic“ kam von fast unsichtbar zu #1. Im Mai-2025-Thread tauchte „agentic“ 7 Mal auf und landete knapp unter den Top 20. Im Mai 2026 erschien es 30 Mal und belegte Platz 1. „Agentic“ – also KI-Agent / agentischer Workflow – hat sich innerhalb von zwölf Monaten von Forschungssprache zu Standardvokabular in Hiring-Texten entwickelt. In den letzten vier Tech-Wellen (Big Data, Blockchain, Web3, die LLMs selbst) hat kein Konzept diesen Sprung so schnell gemacht. Die Treiber sind sichtbar: Anthropic positioniert Claude als „Agent, der Tools nutzt“, OpenAI bringt Computer Use und GPT-5-Agent-Demos, und der Y-Combinator-W26-Batch ist stark von „agentic“-Startups geprägt. Die technische Erzählung explodierte von Ende 2024 bis 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“ erscheint separat weitere 11 Mal; zusammen also 29 Nennungen. Cursor liegt bei 8, Copilot bei 6. Copilot ist der Platzhirsch in dieser Kategorie – GitHub brachte es 2021 auf den Markt, und fünf Jahre Präsenz haben für breite Bekanntheit unter Engineers gesorgt. Aber in HN-Hiring-Texten – also in einer Stichprobe von Engineers, die für andere Engineers schreiben – hat Anthropic mit Claude vorbeigezogen. Wer Developer-Marketing macht, sieht hier: Die tatsächliche Durchdringung von Anthropic ist deutlich höher, als es auf den ersten Blick wirkt. Dieses Signal ist in LinkedIn oder Indeed unsichtbar (dort wird die Stichprobe von jedem Anbieter gleichzeitig mit SEO gefüllt); 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“ hin zu „wir machen bereits KI, du musst darin sicher sein“. Auf der Verb-Seite werden „build with“, „automate via“ und „use“ immer häufiger; „explore“, „research“ und „prototype“ gehen zurück. 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 gehen wir jede Ebene durch.

1. Gesamt: von 24 % auf 36 %

Wir haben den vollständigen Text von 619 Hiring-Kommentaren mit einem öffentlichen KI-Keyword-Wörterbuch durchsucht (vollständige Liste unten). Treffer werden in vier Stufen eingeteilt, von locker bis streng:

• Loose: jedes KI-bezogene Keyword (einschließlich 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

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

Die Zeile Required erzählt die schärfere Version derselben Geschichte. 5 auf 13 Posts – in absoluten Zahlen klein, in der Aussage aber groß. Wenn ein KI-Tool im Muss-Teil der Anzeige steht, ist klar: Dieses Tool ist bereits fest im Workflow verankert, nicht nur eine Absicht. „Required“ hat sich schneller verdoppelt als Loose und Strict, was das klarste Signal dafür ist, dass KI-Tools von der Hiring-Rhetorik in die tatsächliche Arbeitserwartung wandern.

Preferred hat sich kaum bewegt – auch das ist ein Signal. Wenn die gesamte KI-Welle nur bedeuten würde, „füge KI-Wörter in die Stellenanzeige ein“, müsste Preferred ähnlich stark steigen wie Required: „Wir würden uns freuen, wenn Sie KI-Tools kennen, das ist ein Plus.“ Stattdessen stieg Preferred nur um +0,5 Prozentpunkte, während Required um +2,4 Punkte zulegte. KI-Tooling wird also nicht einfach häufiger erwähnt; es wird in der Anforderungshierarchie nach oben geschoben – von nice-to-have zu must-have.

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

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

Ein paar Beobachtungen sind besonders wichtig.

„agentic“ sprang von 7 auf 30 – der Gewinner unter den neuen Konzepten. Vor einem Jahr nutzte es in HN-Hiring kaum jemand; heute ist es Platz 1. „Agentic“ – also KI-Agent / agentischer Workflow – hat sich innerhalb von zwölf Monaten von Forschungssprache zu Standardvokabular in Stellenanzeigen entwickelt. Die letzten vier Tech-Wellen (Big Data, Blockchain, Web3, die LLMs selbst) haben in einem einzelnen Jahr keine so schnelle Durchdringung gezeigt. Die Treiber sind klar: 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 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 plus separat noch 11 für Claude Code, also zusammen 29. Cursor liegt bei 8, Copilot bei 6. Copilot ist der etablierte Player – GitHub brachte es 2021 auf den Markt, und fünf Jahre Sichtbarkeit müssten eigentlich Dominanz bedeuten. Aber in HN-Hiring-Texten – Engineers schreiben für Engineers – hat das Claude-Ökosystem von Anthropic vorbeigezogen. Wer Developer-Marketing macht, sieht hier eine deutlich tiefere Durchdringung, als die Oberfläche vermuten lässt. Dieses Signal bleibt in LinkedIn oder Indeed unsichtbar (dort wird die Suche von jedem Anbieter mit SEO überladen); es taucht nur in personennahen Formaten wie HN auf.

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

„AI-native“ erreichte 12, nach 4 zuvor. Das ist ein Kultur-/Organisationskeyword – Unternehmen suchen nicht nur Tool-Kompetenz, sondern Menschen, deren Standard-Denkmuster AI-first ist. Schon die Tatsache, dass dieses Wort in Stellenanzeigen auftaucht, ist ein Reifegrad-Signal: Der Markt ist von „jemanden einstellen, der KI kennt“ hin zu „jemanden einstellen, der KI als Standard-Workflow behandelt“ weitergezogen.

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

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

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

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

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

Diese Unternehmen verbindet ein gemeinsames Muster: Sie haben HN bewusst als öffentlichen Rekrutierungskanal gewählt und sich bewusst dafür entschieden, KI-Tooling in den Muss-Bereich zu schreiben. Beide Entscheidungen sind relevant. 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. Die Selbstselektion durch diesen Filter bedeutet: Unternehmen, die weiterhin Required AI schreiben, sind sehr wahrscheinlich tatsächlich im Workflow auf diese Tools angewiesen – nicht bloß auf Keyword-Pflege aus.

Für DTC-Operatoren, SaaS-Marketing und Employer-Brand-Teams ist die zweite Nutzung dieser Liste ein Referenzpunkt: Die Employer-Brand-Erzählung „wir sind AI-fluent“ ist jetzt empirisch prüfbar. Zu sagen „wir nutzen KI“ reicht nicht – ob in Ihren Jobanzeigen Required plus konkrete Toolnamen steht, zeigt die tatsächliche Tiefe der KI-Nutzung im Team. Eine Karriereseite, die sagt „wir sind ein AI-first-Unternehmen“, aber in keiner einzigen JD 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):

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 um 14 Prozentpunkte absolut. Jede makroökonomische Aussage über „AI penetration“ in diesem Bericht basiert in erster Linie auf dieser Zeile. Rund jeder dritte Software-Engineering-Post verweist jetzt 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 kontraintuitiv. Theoretisch sollte „AI Research / AI Engineer“ fast 100 % Treffer liefern. Der Grund ist, dass diese JDs stark technische Begriffe verwenden („transformer architecture / attention mechanism / pretraining objective“), die unser Wörterbuch nicht abdeckt. Die kleine Stichprobe erzeugt zusätzlich 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 in der Stichprobe. Das spiegelt, wie breit Founding-Rollen beschrieben werden: „Founding Engineer muss viele Hüte tragen, inklusive KI-Tooling.“ Aber 5 Samples sind zu wenig für harte Schlüsse.

Marketing / Ops mit je 6–8 Posts und ~50 % Trefferquote. Das wirkt hoch; hier handelt es sich überwiegend um einen Sample-Size-Effekt. In einer größeren Stichprobe würden diese Buckets wahrscheinlich im Bereich von 30–40 % landen. Es gibt in der Stichprobe 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 ist groß genug, der Rest ist zu klein für starke Aussagen.

5. Warum das wichtig ist – und wo die Grenze liegt

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

Das optimistische Lager verweist auf LinkedIn-/Indeed-Berichte – GenAI-Keyword-Häufigkeit explodiert (LinkedIn Economic Graph spricht von 21x YoY; Indeed Hiring Lab von +330 % YoY). Das skeptische Lager entgegnet, 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 werden von Engineers und Founders für ihre Peers geschrieben – 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 fällt sofort auf. Dieser öffentliche Peer-Review-Filter macht HN-Hiring-Text zu einer relativ sauberen Stichprobe echter Arbeitgebernachfrage.

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

Aber die Grenzen der Stichprobe müssen ehrlich benannt werden. 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 zudem gar nicht auf HN.

Daher kann dieser Bericht nicht als „35,6 % KI-Durchdringung im US-Arbeitsmarkt“ gelesen werden – sondern als: „In einer selbst selektierten Developer-/Startup-Stichprobe auf HN liegt die KI-Keyword-Durchdringung in Hiring-Texten bei 35,6 %.“ Ein großer Unterschied.

6. Praktische Hinweise für Ops, Content und Recruiting

Aus den Daten lassen sich konkrete Handlungen 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 – wenn die Sichtbarkeit deiner KI-Tools auf der Karriereseite deutlich darunter liegt, verlierst du Kandidaten an sichtbar KI-fluente Mitbewerber. Konkrete Maßnahme: Liste im Abschnitt „Womit Sie arbeiten werden“ konkrete KI-Tools namentlich auf (Claude + Cursor + LangChain + …), nicht nur vage Formulierungen wie „moderne KI-Tools“.

SaaS-/Tooling-Positionierung. Das Marktfenster für Produkte, die KI-Workflows unterstützen, 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 für diese Produktkategorie kann sich jetzt 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 deutlich zugenommen. 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“ / etc.). Der First-Mover-Vorteil funktioniert 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 in diesem Bericht (INDATA, Starbridge, We The Flywheel usw.) zeigt das hochpräzise Muster „Required + named stack“. Neben der besseren Signalqualität gegenüber Kandidaten erlaubt diese Formulierung auch, Bewerber im Interview sofort zu verifizieren – „Sie sagen, Sie nutzen Cursor; auf wie vielen Produktiv-Codebases haben Sie damit schon geliefert?“

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

7. Stabilitätschecks & Vergleich mit Peer-Daten

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

Die Stichprobengröße ist stabil. Gesamt 2025-05: 302. 2026-05: 317. Unterschied: nur 15 Posts. Ein stabiler Nenner bedeutet, dass Veränderungen in den Anteilen echte Verschiebungen im Zähler widerspiegeln – nicht bloß einen Drift des Nenners.

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

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 von nice-to-have zu must-have hochgestuft. Das ist das klarste Signal dafür, dass KI von einer Zusatzfähigkeit zu einer Basiserwartung wird.

Peer-Daten-Vergleich:

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 deutlich breiter abgestützte Geschichte. Der Stanford AI Index 2025 mit „AI-Class-Rollen 1,7 % → 2,5 %“ beschreibt den Anteil dedizierter Rollen, also näher an unserem „Required AI“ (1,7 % → 4,1 %), aber mit anderem Nenner. Mehrere unabhängige Quellen deuten also auf denselben Grundtrend hin, 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 wurde als ein Hiring-Posting behandelt (HN-Konvention). Gleicher 619-Posting-Korpus wie im Return to Office Index 2026-Bericht – identische Quelldaten, andere analytische Linse. Snapshot-Datum: 2026-05-12 (UTC).

HN-Community-Bias (der wichtigste Vorbehalt): Die Hiring-Community auf HN wird von Entwicklern, Early-Stage-Engineering-Teams und KI-Adopter-Startups dominiert. Dieser Bericht kann nicht als Trend zur KI-Durchdringung im US- oder Weltarbeitsmarkt gelesen werden. 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 Schlussfolgerungen in diesem Bericht gelten sicher nur für Engineering. Die anderen Buckets sind zu klein für belastbare Aussagen.

JD-Text ≠ tatsächliche Anforderungen: Stellenanzeigen enthalten Marketing-Floskeln – „Copilot familiarity“ kann HR-Keyword-Füllmaterial statt einer echten Anforderung ab Tag 1 sein. 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: Basierend auf Kontextfenstern von ±120 Zeichen werden Randfälle gelegentlich falsch klassifiziert. Die genannten Required-/Preferred-Werte sollten als „nach unserem Regelwerk“ gelesen werden, nicht als absolute Wahrheit.

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

Mehrfach-Postings von Unternehmen werden nicht dedupliziert: Dieselben Firmen können mehrfach erscheinen (insbesondere bei 10+ Postings). Wir verwenden „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 benötigt keine 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 lässt sich aus der öffentlichen HN-API + dem öffentlichen Wörterbuch reproduzieren.

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 2026-05-12 UTC, Version v1.0 (einzelner YoY-Punkt, Dictionary v1). Verwendet dieselben HN-Daten wie der Return to Office Index 2026-Bericht – beide lassen sich gegenseitig 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 %, also um 12,1 Prozentpunkte.
• 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 noch aussagekräftiger macht.
• „Agentic“ stieg von 7 auf 30 Nennungen und wurde zum Top-Keyword 2026.
• Claude wurde 2026 18 Mal genannt, Claude Code 11 Mal; zusammen sind das 29 Nennungen.
• Engineering-Rollen trieben die Hauptbewegung, mit einem Anstieg der KI-Keyword-Durchdringung von 22,1 % auf 36,3 %.

Der Vorbehalt sollte immer mit der Zahl mitwandern. Diese Werte beschreiben die konkrete Stichprobe und Methode, die in diesem Bericht verwendet wurden. Sie sollten nicht als Vollerhebung des Marktes, als internes Adoption-Maß oder als Aussage über jedes Unternehmen der Kategorie umgedeutet werden.

Für redaktionelle Zwecke ist die stärkste Formulierung diejenige, die die Kennzahl mit der Stichprobengrenze verbindet. Das macht die Aussage robuster und für Leser vertrauenswürdiger. 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, die aus den ursprünglichen lokalen Report-Paketen kopiert wurden. Sie sind enthalten, damit der veröffentlichte Bericht gegen die tatsächlichen Skripte, Zwischenoutputs, Grafiken und Quellentwürfe im Reporting-Workflow geprüft werden kann.

• 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

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