Welche Jobs kann KI wirklich lernen? Ein neuer Risikoindex

Hier eine Zahl, die Sie innehalten lassen sollte: Die beiden führenden Methoden, mit denen Forscher das KI-Jobrisiko messen, stimmen nur in 15 % der Fälle überein, wenn es um die Jobs geht, die tatsächlich zählen. Nicht 95 %. Fünfzehn. Jahrelang haben die Automatisierungs-"Risikolisten", die Sie in Schlagzeilen gesehen haben, still und leise die falschen Berufe ganz oben eingestuft – und eine neue Studie zeigt jetzt genau, wo sie danebenlagen.

Das Papier, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning" von Philip Moreira Tomei und Bouke Klein Teeselink (Mai 2026), führt etwas ein, das dem Feld gefehlt hat. Statt zu fragen "Was kann KI heute?", stellt es eine schärfere Frage: "Was kann KI lernen zu tun?" Diese eine Verschiebung dreht die Risikoliste auf den Kopf – und wenn Ihr Job darauf steht, haben Sie ein Recht zu wissen, auf welcher Seite Sie landen.

Das Problem mit jeder KI-Risikoliste, die Sie je gesehen haben

Die meisten KI-Exponierungsmaße – einschließlich der vielzitierten Eloundou-et-al.-Arbeit hinter so vielen Nachrichtenmeldungen – bewerten Jobs danach, wie stark heutige große Sprachmodelle sich mit den Aufgaben eines Jobs überschneiden. Das klingt vernünftig, bis man den Fehler bemerkt: [Fakt] Große Sprachmodelle werden größtenteils auf Textvorhersage trainiert, weshalb sie bei allem "fähig" wirken, was wie Schreiben aussieht, und bei allem anderen "unfähig".

Tomei und Klein Teeselink argumentieren, dies vermenge aktuelle Fähigkeit mit Lernbarkeit. Moderne KI-Systeme verbessern sich zunehmend nicht dadurch, dass sie mehr Text lesen, sondern durch bestärkendes Lernen (Reinforcement Learning) – belohnt zu werden für das Erreichen eines überprüfbaren Ziels, wieder und wieder, bis sie es meistern. Die eigentliche Frage für Ihre Karriere ist nicht, ob ein Chatbot Ihren Job schon heute erledigen kann. Es ist, ob Ihr Job die Art von klarem, überprüfbarem Feedback-Signal erzeugt, das es einem KI-System erlaubt, ihn zu lernen. [Behauptung] Das sind sehr unterschiedliche Dinge.

Wie der RL Feasibility Index funktioniert

Die Forscher bauten den RL Feasibility Index, kurz RLFI, und ließen alle 17.951 O*NET-Aufgaben über 894 Berufe hinweg durch ihn laufen. [Fakt] Jede Aufgabe durchläuft zunächst ein Tor zur physischen Machbarkeit: Erfordert sie Hände, einen Körper oder Präsenz in der physischen Welt, erhält sie null Punkte. Allein dieses Tor setzt 40,7 % aller Aufgaben auf null – eine unverblümte Erinnerung daran, wie viel Arbeit noch außerhalb eines Rechenzentrums stattfindet.

Aufgaben, die das Tor überstehen, werden auf acht Dimensionen von eins bis zehn bewertet, die daran gekoppelt sind, wie gut bestärkendes Lernen sie erlernen könnte – hauptsächlich, ob Erfolg klar überprüfbar ist und ob ein Belohnungssignal existiert. Die Werte werden auf eine saubere Skala von 0 bis 100 umgerechnet. [Fakt] Die Berufe an der Spitze der Liste sind unglamourös, aber aufschlussreich: Dateneingabe-Sachbearbeiter bei 71 %, Korrespondenzsachbearbeiter bei 69 % und Korrekturleser bei 69 %. Ganz unten, mit exakt null Punkten, stehen Tellerwäscher, Steinmetze und Bodenleger – physische Handwerksberufe, die KI schlicht nicht erreichen kann.

Die Divergenz, die alles verändert

Hier verdient sich die Studie ihren Platz. Insgesamt korreliert der RLFI stark – 0,88 – mit dem älteren Eloundou-Exponierungsmaß. Das sieht nach Übereinstimmung aus. Doch sobald man nur auf die digital machbaren Jobs filtert – jene, in denen der eigentliche Kampf um Automatisierung stattfindet –, bricht die Korrelation auf 0,15 ein. [Fakt] Klar gesagt: Die beiden Indizes stimmen darin überein, welche Jobs KI nicht berühren kann, und sind sich zutiefst uneinig darüber, welche erreichbaren Jobs KI lernen kann.

Diese Uneinigkeit erzeugt einige wirklich kontraintuitive Ergebnisse. Betrachten Sie drei Jobs, die die alten Maße als geringexponiert einstufen, die der RLFI aber als hoch lernbar kennzeichnet: Kraftwerksbetreiber, Zugführer und Aufsichtspersonal für Luftfracht-Abwicklung. Das sind strukturierte, regelgetriebene, stark überwachte Rollen, in denen Erfolg eindeutig ist und jede Handlung eine überprüfbare Spur hinterlässt – genau die Bedingungen, unter denen bestärkendes Lernen gedeiht. Wenn Sie einen Kraftwerksleitstand bedienen, überlebt die bequeme Annahme, Ihr Job sei "zu spezialisiert für KI", diese Daten möglicherweise nicht. [Schätzung] Die Aufgabenstruktur, die diese Jobs vor einem textvorhersagenden Chatbot schützt, ist genau das, was sie für ein belohnungsgetriebenes System lernbar macht. Die ausführlichere Aufschlüsselung finden Sie auf unserer Seite zu Kraftwerksbetreibern und der Seite zu Zugführern.

Nun drehen wir es um. Musiker, Ärzte und Manager in den Naturwissenschaften erzielen auf den alten Exponierungsindizes hohe, aber bei der RL-Machbarkeit niedrige Werte. Warum? Weil ihre eigentliche Arbeit sich einem sauberen Belohnungssignal widersetzt. [Behauptung] Es gibt keinen einfachen, überprüfbaren Wert für eine bewegende Darbietung, eine korrekte Diagnose unter Unsicherheit oder das Urteilsvermögen, ein Forschungsteam zu steuern. Eine KI kann eine plausible Melodie oder eine plausibel klingende Diagnose erzeugen, aber "plausibel" ist nicht dasselbe wie "überprüfbar korrekt", und bestärkendes Lernen braucht Letzteres, um sich zu verbessern. Das detaillierte Bild für diese Rollen finden Sie auf unserer Seite zu Musikern und der Seite zu Managern in den Naturwissenschaften.

Wer wirklich im Explosionsradius liegt

Der RLFI bildet sich auch sauber auf Gehalt und Erfahrung ab, auf eine Weise, die die Mitte des Arbeitsmarkts am meisten beunruhigen sollte. [Fakt] Die RL-Exponierung ist über die Lohnverteilung hinweg buckelförmig – sie erreicht ihren Höhepunkt nicht am unteren oder oberen Ende, sondern in den oberen mittleren Dezilen, wobei die Autoren schätzen, dass ein Anstieg des Gehalts um einen Log-Punkt mit einem Anstieg der RL-Machbarkeit um 12,2 Punkte einhergeht. Nach Erfahrungsstufe bildet sie ein umgekehrtes U, mit einem Höhepunkt in der Karrieremitte. [Behauptung] Einstiegs- und Führungsrollen sitzen relativ sicherer; die solide etablierte Fachkraft in der Karrieremitte, in einem strukturierten, messbaren Job, ist am stärksten exponiert.

Und es ist nicht nur Theorie. Eine Differenz-von-Differenzen-Analyse von Stellenanzeigen nach der Veröffentlichung von ChatGPT ergab, dass ein Anstieg der RL-Exponierung um eine Standardabweichung mit einem Rückgang der offenen Stellen um 2,9 % verbunden war – wobei die Autoren dies vorsichtig nur als grenzwertig signifikant kennzeichnen (p=0,085). [Schätzung] Das Signal ist früh und verrauscht, aber es weist in die Richtung, die der Index vorhersagt.

Was das für Ihre Karriere bedeutet

Wenn Sie eine Sache aus dieser Forschung mitnehmen, dann diese: Hören Sie auf zu fragen, ob KI Ihren Job heute erledigen kann, und fangen Sie an zu fragen, ob Ihr Job ein sauberes, wiederholbares, überprüfbares Ergebnis erzeugt. Das ist die Eigenschaft, von der sich bestärkendes Lernen nährt. Jobs voller mehrdeutigem Urteilsvermögen, physischer Präsenz oder Verantwortlichkeit, die sich nicht auf einen Punktwert reduzieren lässt, sind kontraintuitiverweise die besser verteidigbaren.

Für Arbeitnehmer in strukturierten, messbaren Rollen – Dateneingabe, Aktenverwaltung, Routineüberwachung und Disposition – ist der praktische Schritt, sich in die Teile Ihrer Arbeit zu vertiefen, die tatsächlich mehrdeutig sind: Ausnahmebehandlung, Kommunikation mit Stakeholdern, Ermessensentscheidungen, die keine Belohnungsfunktion sauber erfasst. Für jene in kreativen, klinischen oder Führungsrollen, die die alten Listen als hochriskant markierten, ist diese Studie eine stille Beruhigung, aber kein Freifahrtschein – die Grenze des "Überprüfbaren" verschiebt sich weiter.

Die tiefere Lehre betrifft die Listen selbst. Wenn das nächste virale "Diese Jobs werden automatisiert"-Diagramm in Ihrem Feed landet, fragen Sie, was es tatsächlich gemessen hat. Wenn es Jobs danach bewertet hat, was KI heute kann, statt danach, was KI lernen kann, behandeln Sie seine Ranglisten mit Misstrauen. Das wichtigste Risiko könnte jenes sein, das die alten Maße nie kommen sahen.

Quellen

• Philip Moreira Tomei und Bouke Klein Teeselink, "What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning," arXiv:2605.02598 (Mai 2026). https://arxiv.org/abs/2605.02598

Update-Historie

• 2026-07-04: Erstveröffentlichung mit Analyse des RL Feasibility Index (RLFI) und seiner Divergenz von bestehenden LLM-basierten KI-Exponierungsmaßen über 17.951 O*NET-Aufgaben hinweg.

---

KI-gestützte Analyse. Dieser Artikel wurde mit KI-Unterstützung entworfen und gegen die zitierte Primärquelle auf Richtigkeit geprüft. Berufsbezogene Risikozahlen verlinken zu unseren detaillierten Datenseiten, die auf Anthropics Arbeitsmarktforschung und ONET-Aufgabendaten zurückgreifen.*