Freshworks streicht 11 % der Stellen – KI verändert SaaS-Engineering

Stellen Sie sich eine funktionierende Wassermühle an einem irischen Fluss vor. Zwei Jahrhunderte lang mahlte sie Mehl – ein Dutzend Hände an Schleusen, Rädern und Säcken. Dann kam der Dampf, dann die Elektrizität, und nach und nach standen diese Hände draußen vor einem Gebäude, das dieselbe Arbeit mit einem Schalter an der Wand erledigte. Freshworks hat gerade diesen Schalter umgelegt.

Die Schlagzeile ist eindeutig: ein Stellenabbau von 11 % bei einem Mid-Cap-SaaS-Anbieter, explizit als KI-getriebene Restrukturierung eingerahmt. Das Interessante – das, worüber es sich lohnt nachzudenken, wenn man ein Engineering-Team leitet – ist die Frage, was für eine Mühle das Unternehmen glaubt zu werden.

Die wichtigsten Details

Wie Let's Data Science berichtete, streicht Freshworks rund 11 % seiner Belegschaft – begründet damit, dass KI verändert, wie Software gebaut und verkauft wird. Das ist der Kern der Geschichte. Alles darüber hinaus behandle ich als Analyse und nicht als Tatsache, denn das sollte es sein.

Freshworks bewegt sich in einem vertrauten Segment: ein Anbieter für Customer-Experience und ITSM im Wettbewerb mit den Schwergewichten, der das übliche SaaS-Playbook mit Land-and-Expand, Fokus auf den Mittelstand und einem stetigen Strom an Feature-Releases fährt. Die Art von Unternehmen, bei der das Organigramm bis vor Kurzem wie ein Schichtkuchen aussah. Support-Engineers an der Basis, darüber Tier 2 und 3, dann Product Engineering, SRE, dann Platform, und schließlich die kleine Priesterkaste der ML-Leute, etwas abseits.

Ein Abbau von 11 % ist kein Panikschritt. Es sind keine 25 %. Es ist die Größenordnung einer Reduktion, die man vornimmt, wenn man eine Tabelle studiert, bestimmte Funktionen identifiziert hat, deren Grenzproduktivität im Verhältnis zum Tooling gesunken ist, und zu dem Schluss kommt, dass die günstigste Lösung weniger Menschen sind, die dasselbe Volumen mit besserer Software bewältigen. Das Unspektakuläre daran: So sieht Disziplin bei einem börsennotierten SaaS-Unternehmen im Jahr 2026 aus.

Was wir nicht haben und was ich nicht erfinden werde, ist eine abteilungsgenaue Aufschlüsselung. Das Muster im Sektor im letzten Jahr war: stärkere Kürzungen im Support, QA, Technical Writing und Tier-1-Engineering, geringere Kürzungen in Core-Platform und Infrastruktur. Ob Freshworks diesem Muster exakt folgt, werden Earnings Calls und LinkedIn im nächsten Quartal zeigen. Die Form des Stellenabbaus ist wichtiger als die Zahl.

Warum das für Engineering-Teams wichtig ist

Wer schon mal eine 24/7-On-Call-Rotation geleitet hat, kennt das schmutzige Geheimnis des SaaS-Supports: Die meisten Tickets sind nicht neu. Es sind Passwort-Resets, Berechtigungsfehlkonfigurationen, Integrations-Auth-Fehler und dieselben fünf Fragen zu Webhook-Retries. Generative KI, die auf den eigenen Runbooks und der Ticket-Historie eines Unternehmens feinabgestimmt ist, frisst dieses Volumen zum Frühstück. Die Mühle mahlt das leichte Getreide.

Das schwere Getreide – Root-Cause-Analyse bei einem Partition-Split, Debugging eines undichten Connection-Pools um 3 Uhr morgens, Entwurf eines Multi-Tenant-Rate-Limiters, der die braven Nutzer nicht bestraft – das braucht noch Hände. Meine Einschätzung: Der Freshworks-Abbau und die Welle, in der er steckt, ist im Kern eine Umformung der Basis der Pyramide, nicht der Spitze. Junior- und Mid-Level-Rollen, deren Arbeit bereits standardisiert war, tragen den größten Teil des Aufpralls.

Das hat Konsequenzen, die Engineering-Leiter innerhalb von 18 Monaten zu spüren bekommen werden. Woher kommen Senior-Engineers? Sie kommen von Junior-Engineers, die das Handwerk gelernt haben, indem sie zuerst die standardisierte Arbeit erledigten. Wenn man die Lehrzeit automatisiert, hat man das P&L dieses Jahres optimiert, indem man die Senior-Bank des nächsten Jahrzehnts verpfändet. Eine saubere Antwort darauf sehe ich noch nicht, und die Unternehmen, die so tun, als hätten sie eine, verkaufen meistens irgendetwas.

Die andere praktische Verschiebung: Das KI-Tooling selbst wird zum Produktivsystem. Das bedeutet Observability für Prompts, Evals als Teil von CI, Versionskontrolle für feinabgestimmte Modelle und Rollback-Pläne, wenn eine LLM-Regression anfängt, Kunden gegenüber Rückerstattungsrichtlinien zu halluzinieren. Teams, die ihr OpenTelemetry-Setup als Checkbox behandelt haben, stellen jetzt fest, dass das Tracing eines LLM-vermittelten Support-Flows – bei dem ein Modell ein Tool aufrief, das eine API aufrief, die eine Datenbank aufrief – verlangt, dass jeder Span Kontext trägt, den die ursprüngliche Instrumentierung nie vorgesehen hat.

Auswirkungen auf die Branche

Für die iGaming- und Fintech-Leser ist die Freshworks-Geschichte eher ein nützlicher Hinweis als eine direkte Übertragung. Regulierte Branchen können den Human-in-the-Loop nicht so aggressiv ersetzen. Eine KYC-Prüfung oder eine AML-Eskalation hat Audit- und Haftungsmerkmale, die ein LLM allein nicht erfüllt. Aber die Support-Ebene, der Integrations-Helpdesk, die Merchant-Onboarding-Queue – die stehen absolut zur Disposition, und die SaaS-Anbieter, die in diese Branchen verkaufen, konkurrieren nun untereinander über Cost-to-Serve, nicht nur über Feature-Velocity.

Der sekundäre Effekt liegt im Beschaffungswesen. Wenn Ihr CRM- oder ITSM-Anbieter gerade 11 % gestrichen hat, ist Ihr Account Manager wahrscheinlich neu, Ihr Renewal-Kontakt ist es definitiv, und die Roadmap-Zusagen, die Sie vor sechs Monaten bekommen haben, müssen neu verifiziert werden. Engineering-Teams, die auf Freshworks-ähnliches Tooling für Incident-Management, Kundenkommunikation oder internes IT angewiesen sind, sollten die unbequeme Frage stellen: Welche Features werden jetzt von einem unterbesetzten Team gepflegt, und welche bekamen das KI-Rewrite, das neue Fehlermuster einführt?

Es gibt auch eine Frage auf Plattformebene, die niemand auf Anbieterseite sauber beantworten will. Wenn ein SaaS-Unternehmen Support-Engineers durch eine KI-Schicht ersetzt, ändert sich das SLA implizit. Reaktionszeiten verbessern sich bei den einfachen Dingen, verschlechtern sich bei den schwierigen, und die Varianz weitet sich aus. Für Ad-Tech- und Fintech-Käufer, die geschäftskritische Workflows betreiben, ist genau diese Varianz der Punkt, an dem alles zusammenbricht. P50-Latenz sieht großartig im Marketing-Deck aus. Bei P99 werden Verträge zerrissen.

Was man beobachten sollte

Drei Signale sind es wert, in den nächsten zwei Quartalen verfolgt zu werden. Erstens die Einstellungsmuster bei Freshworks und seinen Wettbewerbern. Wenn auf die Stellenstreichungen aggressives Hiring in ML-Platform, Applied AI und Senior-Infrastructure-Rollen folgt, ist das eine echte Restrukturierung. Wenn die Einstellungen überall flach bleiben, ist es nur ein Margin-Play im KI-Kostüm.

Zweitens die Bruttomargenlinie bei den nächsten zwei Earnings Calls. SaaS-Unternehmen stecken seit Jahren bei rund 75–80 % Bruttomarge fest. Die KI-These besagt, dass man höher kommen kann, weil der Support-Cost-to-Serve sinkt. Die Gegenthese sagt, dass Inferenzkosten die Einsparungen auffressen. Die Zahl beobachten, nicht die Erzählung.

Drittens die kundenseitigen Fehlermuster im Blick behalten. Öffentliche Reddit- und Hacker-News-Threads von Käufern verraten schneller als jeder Vendor-Blog, ob die KI-Replacements unter echter Last standhalten. Die Mühle mahlt entweder sauberes Mehl oder nicht – und die Kunden sind diejenigen, die das Brot essen.

Meine Prognose, für das, was sie wert ist: Die 11-%-Zahl wird innerhalb von 18 Monaten konservativ wirken. Nicht weil Freshworks in Schwierigkeiten ist, sondern weil sich das Muster im gesamten Mid-Cap-SaaS-Segment wiederholen wird und die zweite Welle größer sein wird als die erste, wenn das Tooling reift und die Vorstände mutiger werden. Die Wassermühle wurde zum Kraftwerk. Das Kraftwerk lief mit drei Engineers und einem Dashboard. Software befindet sich auf demselben Kurs, und die einzig wirkliche Frage ist, welche Rollen am Ende das Dashboard bedienen.

Wichtigste Erkenntnisse

• Der 11-%-Abbau bei Freshworks wird als KI-Restrukturierung eingerahmt – Größenordnung und Framing sind genauso bedeutsam wie die Zahl selbst.
• Am stärksten gefährdet sind standardisierte Support-, QA- und Tier-1-Engineering-Rollen, bei denen LLM-feinabgestimmtes Tooling den Großteil des Wiederholungsvolumens übernimmt.
• Die Automatisierung der Ausbildungspipeline erzeugt in 18–24 Monaten einen Senior-Engineer-Mangel, für den noch niemand eine saubere Antwort hat.
• KI in der Produktion erfordert echte Observability, Evals und Rollback-Disziplin – kein nachträgliches Prompt-Engineering.
• Käufer von SaaS-Tooling sollten Roadmap-Zusagen neu verifizieren und auf P99-Verhalten achten – nicht nur auf Headline-Reaktionszeitverbesserungen.